For noen dager siden en ny versjon ble presentert viktig med maskinlæringsplattformen TensorFlow 2.0, que gir out-of-the-box implementeringer av forskjellige dype maskinlæringsalgoritmer, et enkelt programmeringsgrensesnitt for å bygge modeller i Python og et lavt nivågrensesnitt for C ++ som lar deg kontrollere konstruksjonen og utførelsen av beregningsgrafikk.
Plattformen ble opprinnelig utviklet av Google Brain-teamet og brukes av Google-tjenester for stemmegjenkjenning, ansiktsgjenkjenning på bilder, bestemme likheten mellom bilder, filtrere søppelpost i Gmail, velg nyheter i Google Nyheter og organiser oversettelsen etter betydningen.
TensorFlow tilbyr et bibliotek med datalgoritmer out-of-the-box numerics implementert gjennom dataflytdiagrammer. Nodene i slike grafer implementerer matematiske operasjoner eller inngangs- / utgangspunkter, mens kantene på grafen representerer flerdimensjonale datasett (tensorer) som flyter mellom nodene.
Noder kan tilordnes databehandlingsenheter og kjøres asynkront, samtidig som alle egnede tensorer behandles samtidig, slik at du kan organisere samtidig drift av noder i et nevralt nettverk analogt med samtidig avfyring av nevroner i hjernen.
Distribuerte maskinlæringssystemer kan bygges på standardutstyrtakket være den innebygde støtten i TensorFlow for å utvide databehandling til flere CPUer eller GPUer. TensorFlow kan kjøres på flere CPUer og GPUer (med valgfrie CUDA-utvidelser for generell databehandling på grafikkbehandlingsenheter)
TensorFlow er tilgjengelig på 64-bit Linux, macOS og mobile plattformer, inkludert Android og iOS. Systemkoden er skrevet i C ++ og Python og distribueres under Apache-lisensen.
De viktigste nye funksjonene i TensorFlow 2.0
Med utgivelsen av denne nye versjonen hovedoppmerksomheten lånte seg til forenkling og brukervennlighet, slik er det å bygge og trene modeller, et nytt høyt nivå Keras API er blitt foreslått som gir flere muligheter for grensesnitt for å bygge modeller (sekvensiell, funksjonell, underklasse) med mulighet for umiddelbar kjøring (uten foreløpig kompilering) og med en enkel feilsøkingsmekanisme.
Lagt til tf.distribute.Strategy API for å organisere distribuert modellopplærings med minimal endring av eksisterende kode. I tillegg til muligheten til å distribuere beregninger til flere GPUer, er det eksperimentell støtte tilgjengelig for å dele opp læringsprosessen på flere uavhengige prosessorer og muligheten til å bruke TPU i skyen (Tensor Processing Unit).
I stedet for en deklarativ grafkonstruksjonsmodell med utførelse via tf.Session, er det mulig å skrive vanlige Python-funksjoner som kan konverteres til grafer ved å ringe tf.function og deretter eksternt utføres, serialiseres eller optimaliseres for å forbedre ytelsen.
Har blitt lagt til en AutoGraph-oversetter som konverterer Python-kommandoflyt til TensorFlow-uttrykk, slik at du kan bruke Python-kode i funksjonene tf.function, tf.data, tf.distribute og tf.keras.
SavedModel forenet modellbytteformatet og la til støtte for lagring og gjenoppretting av tilstanden til modeller. Monterte modeller for TensorFlow kan nå brukes i TensorFlow Lite (på mobile enheter), TensorFlow JS (i en nettleser eller Node.js), TensorFlow Serving og TensorFlow Hub.
APIene for tf.train.Optimizers og tf.keras.Optimizers har blitt samlet, I stedet for compute_gradients er det foreslått en ny GradientTape-klasse for å beregne gradienter.
Også ytelsen i denne nye versjonen har vært betydelig høyere når du bruker GPU. Hastigheten på modellopplæring på systemer med NVIDIA Volta og Turing GPUer har økt opptil tre ganger.
Mange oppryddings-API-er, mange samtaler omdøpes eller fjernes, støtte for globale variabler i hjelpemetoder er ødelagt. I stedet for tf.app, tf.flags, tf.logging, foreslås en ny absl-py API. For å fortsette å bruke den gamle API-en, er compat.v1-modulen klargjort.
Hvis du vil vite mer om det, kan du konsultere følgende lenke.