Машин судлах нээлттэй эхийн номын сан болох TensorFlow 2.0 ирлээ

tf_logo

Хэд хоногийн өмнө шинэ хувилбарыг танилцуулсан машин сургалтын платформын чухал ач холбогдолтой TensorFlow 2.0, Que төрөл бүрийн гүнзгий машин сурах алгоритмуудын хэрэгжилтийг хангаж өгдөг. Python-д загвар бүтээхэд зориулсан энгийн програмчлалын интерфэйс ба тооцоолох графикийн бүтэц, гүйцэтгэлийг хянах боломжийг танд олгодог C ++ програмын доод түвшний интерфэйс.

Платформ анх Google Brain баг боловсруулсан бөгөөд Google-ийн үйлчилгээнд ашигладаг дуу таних, зураг дээрх нүүр царайг таних, зургийн ижил төстэй байдлыг тодорхойлох, Gmail-д спам шүүлтүүр хийх, Google News дээрх мэдээг сонгож, орчуулгыг утгын дагуу зохион байгуулах.

TensorFlow нь компьютерийн алгоритмын номын сангаар хангадаг мэдээллийн урсгалын графикаар хэрэгжүүлсэн хайрцагнаас гадуур тоонууд. Ийм графикийн цэгүүд нь математик үйлдлүүд эсвэл нэвтрэх / гарах цэгүүдийг хэрэгжүүлдэг бол графын ирмэгүүд нь зангилааны хооронд урсаж буй олон хэмжээст өгөгдлийн олонлог (тензор) -ыг илэрхийлдэг.

Зангилааг тооцоолох төхөөрөмжид хуваарилж, тохирох бүх тензорыг нэгэн зэрэг боловсруулж, синхронгүйгээр ажиллуулж, мэдрэлийн сүлжээн дэх зангилааны нэгэн зэрэг ажиллагааг тархинд нэгэн зэрэг буудахтай ижил төстэй байдлаар зохион байгуулах боломжийг олгоно.

Түгээгдсэн машин сургалтын системийг стандарт тоног төхөөрөмж дээр барьж болно, TensorFlow-д суурилуулсан дэмжлэгийн ачаар тооцооллыг олон CPU эсвэл GPU дээр өргөтгөсөн. TensorFlow нь олон CPU болон GPU дээр ажиллах боломжтой (график боловсруулах нэгж дээр ерөнхий зориулалтын тооцоолох нэмэлт CUDA өргөтгөлтэй)

TensorFlow нь 64 битийн Линукс, macOS, Android, iOS зэрэг мобайл платформ дээр боломжтой. Системийн кодыг C ++ ба Python дээр бичсэн бөгөөд Apache лицензээр тараадаг.

TensorFlow 2.0-ийн үндсэн шинэ шинж чанарууд

Энэхүү шинэ хувилбар гарснаар хамгийн их анхаарал хандуулж байна хялбаршуулж, ашиглахад хялбар болсон, загвар бүтээх, сургахад ийм тохиолдол гардаг, шинэ дээд түвшний Keras API санал болгосон Загваруудыг (дараалсан, ажиллагаатай, дэд анги) бүтээх интерфэйсүүдийн хэд хэдэн сонголтыг тэдгээрийг нэн даруй гүйцэтгэх боломжтой (урьдчилж хөрвүүлэлгүйгээр) болон дибаг хийх энгийн механизмаар хангадаг.

Түгээгдсэн загвар сургалтыг зохион байгуулахын тулд tf.distribute.Strategy API-г нэмсэнодоо байгаа кодыг хамгийн бага өөрчлөх боломжтой. Тооцооллыг олон GPU-д хуваарилах чадвараас гадна сургалтын процессыг олон бие даасан процессоруудад хуваах туршилтын дэмжлэг, үүлэн TPU (Tensor Processing Unit) ашиглах боломжтой.

Tf.Session-ээр дамжуулан гүйцэтгэл бүхий тунхаглал бүхий график бүтээх загварын оронд tf.function-ийг дуудаж график болгон хөрвүүлэх боломжтой Python функцуудыг бичих боломжтой бөгөөд дараа нь гүйцэтгэлийг сайжруулахын тулд алсаас гүйцэтгэж, цувралжуулж эсвэл оновчтой болгоно.

Нэмэгдсэн Python командын урсгалыг TensorFlow илэрхийлэл болгон хөрвүүлдэг AutoGraph орчуулагчtf.function, tf.data, tf.distribute, tf.keras функцууд дотор Python кодыг ашиглах боломжийг танд олгоно.

SavedModel нь загвар солилцооны форматыг нэгтгэж, загваруудын төлөв байдлыг хадгалах, сэргээхэд дэмжлэг үзүүлэв. TensorFlow-ийн угсарсан загваруудыг одоо TensorFlow Lite (хөдөлгөөнт төхөөрөмж дээр), TensorFlow JS (хөтөч эсвэл Node.js), TensorFlow Serving, TensorFlow Hub дээр ашиглаж болно.

Tf.train.Optimizers болон tf.keras.Optimizers API-уудыг нэгтгэж, Compute_gradients-ийн оронд градиент тооцоолох шинэ GradientTape анги санал болгов.

Энэхүү шинэ хувилбарын гүйцэтгэл нь GPU ашиглахад мэдэгдэхүйц өндөр байна. NVIDIA Volta, Turing GPU-тай системүүдийн загвар сургалтын хурд XNUMX дахин нэмэгдсэн.

Маш олон цэвэрлэгээний API, олон дуудлагын нэрийг өөрчилсөн эсвэл хассан, туслагч аргуудын глобал хувьсагчдын дэмжлэг эвдэрсэн. Tf.app, tf.flags, tf.logging-ийн оронд шинэ absl-py API санал болгож байна. Хуучин API-г үргэлжлүүлэн ашиглахын тулд compat.v1 модулийг бэлтгэсэн болно.

Хэрэв та энэ талаар илүү ихийг мэдэхийг хүсвэл зөвлөгөө авч болно дараах холбоос.


Нийтлэлийн агуулга нь бидний зарчмуудыг баримталдаг редакцийн ёс зүй. Алдааны талаар мэдээлэхийн тулд товшино уу энд байна.

Сэтгэгдэл бичих эхний хүн бай

Сэтгэгдэлээ үлдээгээрэй

Таны и-мэйл хаяг хэвлэгдсэн байх болно. Шаардлагатай талбарууд нь тэмдэглэгдсэн байна *

*

*

  1. Мэдээллийг хариуцах: Мигель Анхель Гатан
  2. Мэдээллийн зорилго: СПАМ-ыг хянах, сэтгэгдлийн менежмент.
  3. Хууль ёсны байдал: Таны зөвшөөрөл
  4. Мэдээллийн харилцаа холбоо: Хуулийн үүргээс бусад тохиолдолд мэдээллийг гуравдагч этгээдэд дамжуулахгүй.
  5. Өгөгдөл хадгалах: Occentus Networks (ЕХ) -с зохион байгуулсан мэдээллийн сан
  6. Эрх: Та хүссэн үедээ мэдээллээ хязгаарлаж, сэргээж, устгаж болно.