TensorFlow 2.0 iristen da, automatikoki ikasteko iturburu irekiko liburutegia

tf_logoa

Duela egun batzuk bertsio berria aurkeztu zen makina ikasteko plataformaren garrantzitsua TensorFlow 2.0, hau sakoneko makina ikasteko algoritmo desberdinen inplementazioak eskaintzen ditu. Python-en ereduak eraikitzeko programazio-interfaze sinplea eta C ++-erako maila baxuko interfazea, konputazio-grafikoen eraikuntza eta exekuzioa kontrolatzeko aukera ematen duena.

Plataforma Google Brain taldeak garatu zuen hasieran eta Google zerbitzuek erabiltzen dute ahotsa ezagutzeko, argazkietan aurpegiaren ezagutza egiteko, irudien antzekotasuna zehazteko, Gmail-en spam iragazkia, Google News-eko albisteak hautatzeko eta itzulpena esanahiaren arabera antolatzeko.

TensorFlow-k ordenagailuko algoritmoen liburutegia eskaintzen du datu-fluxuen taulen bidez inplementatutako kutxaz kanpoko zenbakiak. Grafiko horietako nodoek eragiketa matematikoak edo sarrera / irteera puntuak ezartzen dituzte, grafikoaren ertzek nodoen artean isurtzen diren dimentsio anitzeko datu multzoak (tentsoreak) adierazten dituzten bitartean.

Nodoak gailu informatikoei esleitu eta modu asinkronoan exekutatu daitezke, aldi berean tentsore egoki guztiak prozesatuz, sare neuronal bateko nodoen aldi bereko funtzionamendua burmuinean neuronen aldi bereko tiroarekin analogiaz antolatzeko aukera emanez.

Makina ikasteko sistema banatuak ekipamendu estandarretan eraiki daitezke, TensorFlow-en integratutako laguntzari esker, informatika CPU edo GPU anitzetara hedatzeko. TensorFlow PUZ eta GPU anitzetan exekutatu daiteke (aukerako CUDA luzapenekin, erabilera orokorreko grafikoak prozesatzeko unitateetan konputatzeko)

TensorFlow 64 biteko Linux, macOS eta Android eta iOS barne plataforma mugikorretan eskuragarri dago. Sistemaren kodea C ++ eta Python idatzita dago eta Apache lizentziarekin banatzen da.

TensorFlow 2.0-ren ezaugarri berri nagusiak

Bertsio berri hau kaleratzearekin batera arreta nagusia sinplifikatzeko eta erabiltzeko erraztasuna eskaintzen du, horrela gertatzen da ereduak eraikitzeko eta trebatzeko, goi mailako Keras API berria proposatu da horrek aukera ematen du modeloak eraikitzeko interfazeetarako (sekuentzialak, funtzionalak, azpiklasekoak) berehala exekutatzeko aukerarekin (aurretiazko konpilaziorik egin gabe) eta arazketa mekanismo sinple batekin.

TF.distribute.Strategy APIa gehitu da banatutako ereduen prestakuntza antolatzekolehendik dagoen kodean gutxieneko aldaketa batekin. Kalkuluak GPU anitzetan banatzeko gaitasunaz gain, laguntza esperimentala dago ikaskuntza prozesua prozesadore independente anitzetan banatzeko eta hodeiko TPU (Tensor Processing Unit) erabiltzeko gaitasuna.

TF.Session bidez exekuzioa duen grafiko eraikitzailearen eredu adierazgarriaren ordez, posible da Python funtzio arruntak grafora bihur daitezkeela tf.function deituz eta gero urrunetik exekutatu, serializatu edo optimizatu errendimendua hobetzeko. emanaldia.

Gehitu egin da Python komandoen fluxua TensorFlow adierazpenetara bihurtzen duen AutoGraph itzultzailea, Python kodea tf.function, tf.data, tf.distribute eta tf.keras funtzioen barruan erabiltzeko aukera ematen duena.

SavedModel-ek eredu trukerako formatua bateratu zuen eta modeloen egoera gordetzeko eta leheneratzeko laguntza gehitu zuen. TensorFlow-rako muntatutako modeloak TensorFlow Lite (gailu mugikorretan), TensorFlow JS (arakatzaile edo Node.js), TensorFlow Serving eta TensorFlow Hub-en erabil daitezke.

TF.train.Optimizers eta tf.keras.Optimizers APIak bateratu dira, Compute_gradients ordez, GradientTape klase berri bat proposatu da gradienteak kalkulatzeko.

Gainera, bertsio berri honen errendimendua nabarmen handiagoa izan da GPUa erabiltzean. NVIDIA Volta eta Turing GPUekin sistemetan modeloen prestakuntzaren abiadura hiru aldiz handitu da.

Garbitzeko API asko, dei asko aldatu edo ezabatzen dira, laguntzaile metodoetan aldagai globalentzako laguntza hautsita dago. Tf.app, tf.flags, tf.logging ordez, absl-py API berria proposatzen da. API zaharra erabiltzen jarraitzeko, compat.v1 modulua prestatu da.

Horri buruz gehiago jakin nahi baduzu kontsultatu dezakezu honako esteka.


Artikuluaren edukia gure printzipioekin bat dator etika editoriala. Akats baten berri emateko egin klik hemen.

Idatzi lehenengo iruzkina

Utzi zure iruzkina

Zure helbide elektronikoa ez da argitaratuko. Beharrezko eremuak markatuta daude *

*

*

  1. Datuen arduraduna: Miguel Ángel Gatón
  2. Datuen xedea: SPAM kontrolatzea, iruzkinen kudeaketa.
  3. Legitimazioa: Zure baimena
  4. Datuen komunikazioa: datuak ez zaizkie hirugarrenei jakinaraziko legezko betebeharrez izan ezik.
  5. Datuak biltegiratzea: Occentus Networks-ek (EB) ostatatutako datu-basea
  6. Eskubideak: Edonoiz zure informazioa mugatu, berreskuratu eta ezabatu dezakezu.