TensorFlow 2.0 saapuu, avoimen lähdekoodin kirjasto koneoppimiseen

tf_logo

Joitakin päiviä sitten uusi versio esiteltiin tärkeä koneoppimisalustalle TensorFlow 2.0, että tarjoaa alihankintana erilaisia ​​syväkoneoppimisen algoritmeja, yksinkertainen ohjelmointirajapinta Pythonin mallien rakentamiseen ja matalan tason käyttöliittymä C ++: lle, jonka avulla voit hallita laskennallisen grafiikan rakennetta ja suoritusta.

Alusta alun perin kehitti Google Brain -tiimi ja sitä käyttävät Googlen palvelut puheentunnistusta, valokuvien kasvojentunnistusta varten, määritä kuvien samankaltaisuus, suodata roskaposti Gmailissa, valitse uutisia Google-uutisista ja järjestä käännös merkityksen mukaan.

TensorFlow tarjoaa kirjaston tietokonealgoritmeja out-of-the-box-numerot, jotka on toteutettu datavuokaavioiden avulla. Tällaisten kaavioiden solmut toteuttavat matemaattisia operaatioita tai syöttö- / poistumispisteitä, kun taas kaavion reunat edustavat solmujen välillä virtaavia moniulotteisia tietojoukkoja (tensoreita).

Solmut voidaan osoittaa tietokonelaitteille ja suorittaa asynkronisesti samanaikaisesti käsittelemällä kaikki sopivat tensorit samanaikaisesti, jolloin voit järjestää hermoverkon solmujen samanaikaisen toiminnan analogisesti aivojen neuronien samanaikaisen ampumisen kanssa.

Hajautetut koneoppimisjärjestelmät voidaan rakentaa vakiovarusteisiin, kiitos TensorFlow: n sisäänrakennetun tuen, joka laajentaa tietojenkäsittelyä useaan keskusyksikköön tai näytönohjaimeen. TensorFlow voi toimia useilla suorittimilla ja näytönohjaimilla (lisävarusteena saatavilla CUDA-laajennuksilla grafiikkasuoritinten yleiskäyttöön)

TensorFlow on saatavana 64-bittisillä Linux-, macOS- ja mobiilialustoilla, mukaan lukien Android ja iOS. Järjestelmäkoodi kirjoitetaan C ++ - ja Python-tiedostoina, ja se jaetaan Apache-lisenssillä.

TensorFlow 2.0: n tärkeimmät uudet ominaisuudet

Tämän uuden version julkaisun myötä päähuomio yksinkertaisti ja helppokäyttöinen, näin on esimerkiksi mallien rakentamiseksi ja kouluttamiseksi, uutta korkean tason Keras-sovellusliittymää on ehdotettu joka tarjoaa useita vaihtoehtoja rajapinnoille mallien (peräkkäisten, toiminnallisten, alaluokkien) rakentamiseksi, mahdollisuuden niiden välittömään suoritukseen (ilman alustavaa kokoamista) ja yksinkertaisella virheenkorjausmekanismilla.

Lisätty tf.distribute.Strategy-sovellusliittymä hajautetun mallikoulutuksen järjestämiseens muuttamalla olemassa olevaa koodia mahdollisimman vähän. Sen lisäksi, että pystyt jakamaan laskutoimituksia useille näytönohjaimille, on käytettävissä kokeellinen tuki oppimisprosessin jakamiseksi useille itsenäisille prosessoreille ja kyky käyttää pilvi-TPU: ta (Tensor Processing Unit).

Deklaratiivisen graafin rakentamismallin sijasta, joka suoritetaan tf.Sessionin kautta, on mahdollista kirjoittaa yleisiä Python-toimintoja, jotka voidaan muuntaa kaavioiksi kutsumalla tf.function ja suorittamalla sitten etäyhteyden kautta, sarjallisina tai optimoimalla suorituskyvyn parantamiseksi.

On lisätty AutoGraph-kääntäjä, joka muuntaa Python-komentovirran TensorFlow-lausekkeiksi, jonka avulla voit käyttää Python-koodia toimintoissa tf.function, tf.data, tf.distribute ja tf.keras.

SavedModel yhtenäisti mallinvaihtomuodon ja lisäsi tukea mallien tilan tallentamiseen ja palauttamiseen. Koostettuja TensorFlow-malleja voidaan nyt käyttää TensorFlow Lite (mobiililaitteissa), TensorFlow JS (selaimessa tai Node.js), TensorFlow Serving ja TensorFlow Hub -sovelluksissa.

Tf.train.Optimizers- ja tf.keras.Optimizers-sovellusliittymät on yhtenäistetty, Compute_gradienttien sijasta on ehdotettu uutta GradientTape-luokkaa gradienttien laskemiseksi.

Myös suorituskyky tässä uudessa versiossa on ollut huomattavasti parempi GPU: ta käytettäessä. NVIDIA Volta- ja Turing-näytönohjaimilla varustettujen järjestelmien mallikoulutuksen nopeus on kasvanut jopa kolme kertaa.

Paljon puhdistussovellusliittymiä, monet puhelut nimetään uudelleen tai poistetaan, tuki globaaleille muuttujille auttajametodeissa on rikki. Tf.app, tf.flags, tf.logging sijaan ehdotetaan uutta absl-py-sovellusliittymää. Vanhan sovellusliittymän käytön jatkamiseksi on valmisteltu compat.v1-moduuli.

Jos haluat tietää enemmän siitä, voit kysyä seuraava linkki.


Ole ensimmäinen kommentti

Jätä kommentti

Sähköpostiosoitettasi ei julkaista. Pakolliset kentät on merkitty *

*

*

  1. Vastuussa tiedoista: Miguel Ángel Gatón
  2. Tietojen tarkoitus: Roskapostin hallinta, kommenttien hallinta.
  3. Laillistaminen: Suostumuksesi
  4. Tietojen välittäminen: Tietoja ei luovuteta kolmansille osapuolille muutoin kuin lain nojalla.
  5. Tietojen varastointi: Occentus Networks (EU) isännöi tietokantaa
  6. Oikeudet: Voit milloin tahansa rajoittaa, palauttaa ja poistaa tietojasi.