Prije nekoliko dana predstavljena je nova verzija važno za platformu za mašinsko učenje TensorFlow 2.0, Que pruža gotove implementacije različitih algoritama za duboko mašinsko učenje, jednostavno programsko sučelje za izgradnju modela u Pythonu i sučelje niskog nivoa za C ++ koje vam omogućava kontrolu konstrukcije i izvršavanja računske grafike.
Platforma izvorno ga je razvio tim Google Brain, a koriste ga Google usluge za prepoznavanje glasa, prepoznavanje lica na fotografijama, utvrđivanje sličnosti slika, filtriranje neželjene pošte u Gmailu, odabir vijesti u Google vijestima i organiziranje prijevoda prema značenju.
TensorFlow nudi biblioteku računarskih algoritama gotove numeričke brojeve implementirane kroz grafikone toka podataka. Čvorovi u takvim grafovima implementiraju matematičke operacije ili točke ulaska / izlaska, dok rubovi grafikona predstavljaju višedimenzionalne skupove podataka (tenzore) koji teku između čvorova.
Čvorovi se mogu dodijeliti računalnim uređajima i pokretati asinkrono, istovremeno obrađujući sve prikladne tenzore, omogućavajući vam da organizirate istovremeni rad čvorova u neuronskoj mreži po analogiji s istodobnim pucanjem neurona u mozgu.
Distribuirani sistemi mašinskog učenja mogu se graditi na standardnoj opremi, zahvaljujući ugrađenoj podršci u TensorFlow-u za proširenje računanja na više CPU-a ili GPU-a. TensorFlow može raditi na više CPU-a i GPU-a (sa opcionalnim CUDA proširenjima za računarstvo opće namjene na jedinicama za obradu grafike)
TensorFlow je dostupan na 64-bitnom Linuxu, macOS-u i mobilnim platformama, uključujući Android i iOS. Sistemski kod napisan je na C ++ i Pythonu i distribuira se pod Apache licencom.
Glavne nove karakteristike TensorFlow 2.0
Izlaskom ove nove verzije glavna pažnja prepustio se pojednostavljenju i jednostavnosti upotrebe, takav je slučaj da se za izgradnju i obuku modela, predložen je novi Keras API na visokom nivou koji pruža nekoliko mogućnosti za sučelja za izgradnju modela (sekvencijalni, funkcionalni, potklase) s mogućnošću njihovog neposrednog izvršavanja (bez preliminarne kompilacije) i jednostavnim mehanizmom za otklanjanje grešaka.
Dodan tf.distribute.Strategy API za organiziranje obuke distribuiranih modelas minimalnim izmjenama postojećeg koda. Pored mogućnosti distribucije izračuna na više GPU-a, postoji eksperimentalna podrška za podjelu procesa učenja na više neovisnih procesora i mogućnost korištenja oblaka TPU (Tensor Processing Unit).
Umjesto deklarativnog modela konstrukcije grafova s izvršenjem putem tf.Session, moguće je napisati uobičajene Python funkcije koje se mogu pretvoriti u grafove pozivanjem tf.function, a zatim se izvršavaju na daljinu, serializiraju ili optimiziraju za poboljšanje performansi. performanse.
Dodano je prevoditelj AutoGraph koji pretvara tok naredbi Python u izraze TensorFlow, omogućavajući vam upotrebu Python koda unutar funkcija tf.function, tf.data, tf.distribute i tf.keras.
SavedModel objedinio je format zamjene modela i dodao podršku za spremanje i vraćanje stanja modela. Sastavljeni modeli za TensorFlow sada se mogu koristiti u TensorFlow Lite (na mobilnim uređajima), TensorFlow JS (u pregledniku ili Node.js), TensorFlow Serving i TensorFlow Hub.
API-ji tf.train.Optimizers i tf.keras.Optimizers su objedinjeni, Umjesto compute_gradients, predložena je nova klasa GradientTape za izračunavanje gradijenata.
Takođe su performanse u ovoj novoj verziji bile znatno veće kada se koristi GPU. Brzina treninga modela na sistemima sa NVIDIA Volta i Turing GPU-ima povećala se do tri puta.
Puno API-ja za čišćenje, mnogi pozivi su preimenovani ili uklonjeni, podrška za globalne varijable u pomoćnim metodama je prekinuta. Umjesto tf.app, tf.flags, tf.logging, predložen je novi absl-py API. Da biste nastavili koristiti stari API, pripremljen je modul compat.v1.
Ako želite znati više o tome, možete se posavjetovati sljedeći link.