قبل بضعة أيام تم تقديم نسخة جديدة مهم لمنصة التعلم الآلي TensorFlow 2.0 ، أن يوفر تطبيقات جاهزة لمختلف خوارزميات التعلم الآلي العميق ، واجهة برمجة بسيطة لبناء النماذج في Python وواجهة منخفضة المستوى لـ C ++ تتيح لك التحكم في إنشاء الرسومات الحسابية وتنفيذها.
منصة تم تطويره في الأصل بواسطة فريق Google Brain وتستخدمه خدمات Google للتعرف على الصوت ، والتعرف على الوجه في الصور ، وتحديد تشابه الصور ، وتصفية البريد العشوائي في Gmail ، وتحديد الأخبار في أخبار Google وتنظيم الترجمة وفقًا للمعنى.
يوفر TensorFlow مكتبة من خوارزميات الكمبيوتر يتم تنفيذ الأرقام الجاهزة من خلال مخططات تدفق البيانات. تنفذ العقد في مثل هذه الرسوم البيانية عمليات رياضية أو نقاط دخول / خروج ، بينما تمثل حواف الرسم البياني مجموعات بيانات متعددة الأبعاد (موترات) تتدفق بين العقد.
يمكن تخصيص العقد للأجهزة الحاسوبية وتشغيلها بشكل غير متزامن ، ومعالجة جميع الموترات المناسبة في وقت واحد ، مما يسمح لك بتنظيم التشغيل المتزامن للعقد في شبكة عصبية عن طريق القياس مع إطلاق الخلايا العصبية في الدماغ في وقت واحد.
يمكن بناء أنظمة التعلم الآلي الموزعة على معدات قياسيةبفضل الدعم المدمج في TensorFlow لتوسيع نطاق الحوسبة إلى العديد من وحدات المعالجة المركزية أو وحدات معالجة الرسومات. يمكن تشغيل TensorFlow على العديد من وحدات المعالجة المركزية ووحدات معالجة الرسومات (مع ملحقات CUDA الاختيارية للحوسبة للأغراض العامة على وحدات معالجة الرسومات)
يتوفر TensorFlow على أنظمة Linux و macOS 64 بت والأجهزة المحمولة بما في ذلك Android و iOS. تمت كتابة رمز النظام بلغة C ++ و Python ويتم توزيعه بموجب ترخيص Apache.
الميزات الرئيسية الجديدة لـ TensorFlow 2.0
مع إصدار هذا الإصدار الجديد الاهتمام الرئيسي أفسح المجال للتبسيط وسهولة الاستخدام، مثل بناء النماذج وتدريبها ، تم اقتراح واجهة برمجة تطبيقات Keras عالية المستوى جديدة والذي يوفر عدة خيارات للواجهات لبناء نماذج (متسلسلة ، وظيفية ، فئة فرعية) مع إمكانية تنفيذها الفوري (بدون تجميع أولي) وبآلية تصحيح أخطاء بسيطة.
تمت إضافة tf.distribute.Strategy API لتنظيم تدريب النموذج الموزعمع الحد الأدنى من التعديل على الكود الحالي. بالإضافة إلى القدرة على توزيع العمليات الحسابية على وحدات معالجة رسومات متعددة ، يتوفر دعم تجريبي لتقسيم عملية التعلم عبر معالجات مستقلة متعددة والقدرة على استخدام TPU السحابية (وحدة معالجة Tensor).
بدلاً من نموذج إنشاء الرسم البياني التعريفي مع التنفيذ عبر tf.Session ، من الممكن كتابة وظائف Python الشائعة التي يمكن تحويلها إلى رسوم بيانية عن طريق استدعاء وظيفة tf ثم تنفيذها عن بُعد أو تسلسلها أو تحسينها لتحسين الأداء. أداء.
تمت إضافة مترجم AutoGraph يقوم بتحويل تدفق أوامر Python إلى تعبيرات TensorFlow، والذي يسمح لك باستخدام كود Python ضمن وظائف tf.function و tf.data و tf.distribute و tf.keras.
قام SavedModel بتوحيد تنسيق تبادل النموذج وإضافة الدعم لحفظ واستعادة حالة النماذج. يمكن الآن استخدام النماذج المُجمَّعة لـ TensorFlow في TensorFlow Lite (على الأجهزة المحمولة) و TensorFlow JS (في مستعرض أو Node.js) و TensorFlow Serving و TensorFlow Hub.
تم توحيد tf.train.Optimizers و tf.keras.Optimizers APIs ، بدلاً من compute_gradients ، تم اقتراح فئة GradientTape جديدة لحساب التدرجات.
كما كان الأداء في هذا الإصدار الجديد أعلى بشكل ملحوظ عند استخدام وحدة معالجة الرسومات. زادت سرعة تدريب النموذج على الأنظمة مع NVIDIA Volta و Turing GPU حتى ثلاث مرات.
هناك الكثير من واجهات برمجة التطبيقات للتنظيف ، تتم إعادة تسمية العديد من المكالمات أو إزالتها ، ودعم المتغيرات العامة في الأساليب المساعدة معطل. بدلاً من tf.app و tf.flags و tf.logging ، تم اقتراح واجهة برمجة تطبيقات absl-py جديدة. لمواصلة استخدام واجهة برمجة التطبيقات القديمة ، تم إعداد الوحدة المتوافقة مع الإصدار 1.
إذا كنت تريد معرفة المزيد عنها ، يمكنك الرجوع إليها الرابط التالي.