Пристига TensorFlow 2.0, библиотека с отворен код за машинно обучение

tf_logo

Преди няколко дни беше представена нова версия важно за платформата за машинно обучение TensorFlow 2.0, че предоставя готови реализации на различни алгоритми за дълбоко машинно обучение, прост интерфейс за програмиране за изграждане на модели в Python и интерфейс за ниско ниво за C ++, който ви позволява да контролирате изграждането и изпълнението на изчислителни графики.

Платформата първоначално е разработен от екипа на Google Brain и се използва от услугите на Google за разпознаване на глас, разпознаване на лица в снимки, определяне на сходството на изображенията, филтриране на нежелана поща в Gmail, избор на новини в Google News и организиране на превода според значението.

TensorFlow предоставя библиотека от компютърни алгоритми готови цифрови числа, приложени чрез диаграми на потока от данни. Възлите в такива графики реализират математически операции или входни / изходни точки, докато ръбовете на графиката представляват многоизмерни набори от данни (тензори), които протичат между възлите.

Възлите могат да бъдат разпределени към изчислителни устройства и да се изпълняват асинхронно, като едновременно се обработват всички подходящи тензори едновременно, което ви позволява да организирате едновременната работа на възли в невронна мрежа по аналогия с едновременното изстрелване на неврони в мозъка.

Разпределените системи за машинно обучение могат да бъдат изградени на стандартно оборудване, благодарение на вградената поддръжка в TensorFlow за разширяване на изчисленията на множество CPU или GPU. TensorFlow може да работи на множество процесори и графични процесори (с опционални разширения CUDA за изчисления с общо предназначение на графични процесори)

TensorFlow се предлага на 64-битова Linux, macOS и мобилни платформи, включително Android и iOS. Системният код е написан на C ++ и Python и се разпространява под лиценза Apache.

Основни нови функции на TensorFlow 2.0

С пускането на тази нова версия основното внимание се поддаде на опростяване и лекота на използване, такъв е случаят, че за изграждане и обучение на модели, е предложен нов Keras API на високо ниво който предоставя няколко опции за интерфейси за изграждане на модели (последователен, функционален, подклас) с възможност за тяхното незабавно изпълнение (без предварителна компилация) и с прост механизъм за отстраняване на грешки.

Добавен е tf.distribute.Strategy API за организиране на обучение за разпределени моделиs с минимална модификация на съществуващ код. В допълнение към възможността за разпределяне на изчисления на множество графични процесори, има експериментална поддръжка за разделяне на учебния процес на множество независими процесори и възможност за използване на облачен TPU (Tensor Processing Unit).

Вместо декларативен модел за изграждане на графика с изпълнение чрез tf.Session, е възможно да се напишат общи функции на Python, които могат да бъдат преобразувани в графики чрез извикване на tf.function и след това дистанционно изпълнени, сериализирани или оптимизирани за подобряване на производителността. производителност.

Беше добавено преводач на AutoGraph, който преобразува потока от команди на Python в изрази TensorFlow, което ви позволява да използвате кода на Python във функциите tf.function, tf.data, tf.distribute и tf.keras.

SavedModel унифицира формата за размяна на модели и добави поддръжка за запазване и възстановяване на състоянието на моделите. Сглобените модели за TensorFlow вече могат да се използват в TensorFlow Lite (на мобилни устройства), TensorFlow JS (в браузър или Node.js), TensorFlow Serving и TensorFlow Hub.

API на tf.train.Optimizers и tf.keras.Optimizers са унифицирани, Вместо compute_gradients е предложен нов клас GradientTape за изчисляване на градиенти.

Също така производителността в тази нова версия е значително по-висока при използване на графичния процесор. Скоростта на обучение на модели на системи с графични процесори NVIDIA Volta и Turing се е увеличила до три пъти.

Много API за почистване, много повиквания са преименувани или премахнати, поддръжката за глобални променливи в помощните методи е нарушена. Вместо tf.app, tf.flags, tf.logging, се предлага нов apsl-py API. За да продължите да използвате стария API, модулът compat.v1 е подготвен.

Ако искате да научите повече за това, можете да се консултирате следната връзка.


Съдържанието на статията се придържа към нашите принципи на редакторска етика. За да съобщите за грешка, щракнете върху тук.

Бъдете първите, които коментират

Оставете вашия коментар

Вашият имейл адрес няма да бъде публикуван.

*

*

  1. Отговорен за данните: Мигел Анхел Гатон
  2. Предназначение на данните: Контрол на СПАМ, управление на коментари.
  3. Легитимация: Вашето съгласие
  4. Съобщаване на данните: Данните няма да бъдат съобщени на трети страни, освен по законово задължение.
  5. Съхранение на данни: База данни, хоствана от Occentus Networks (ЕС)
  6. Права: По всяко време можете да ограничите, възстановите и изтриете информацията си.