Chega o TensorFlow 2.0, uma biblioteca de código aberto para aprendizado de máquina

tf_logo

Faz alguns dias uma nova versão foi apresentada importante da plataforma de aprendizado de máquina TensorFlow 2.0, que fornece implementações out-of-the-box de vários algoritmos de aprendizado de máquina profundo, uma interface de programação simples para construir modelos em Python e uma interface de baixo nível para C ++ que permite controlar a construção e execução de gráficos computacionais.

Plataforma foi originalmente desenvolvido pela equipe do Google Brain e é usado pelos serviços do Google para reconhecimento de voz, reconhecimento facial em fotos, determinar a semelhança de imagens, filtrar spam no Gmail, selecionar notícias no Google News e organizar a tradução de acordo com o significado.

TensorFlow fornece uma biblioteca de algoritmos de computador números prontos para uso implementados por meio de fluxogramas de dados. Os nós em tais gráficos implementam operações matemáticas ou pontos de entrada / saída, enquanto as arestas do gráfico representam conjuntos de dados multidimensionais (tensores) que fluem entre os nós.

Os nós podem ser atribuídos a dispositivos de computação e executados de forma assíncrona, processando simultaneamente todos os tensores adequados, permitindo que você organize a operação simultânea de nós em uma rede neural por analogia com o disparo simultâneo de neurônios no cérebro.

Os sistemas de aprendizado de máquina distribuídos podem ser construídos em equipamentos padrão, graças ao suporte integrado no TensorFlow para estender a computação a várias CPUs ou GPUs. O TensorFlow pode ser executado em várias CPUs e GPUs (com extensões CUDA opcionais para computação de uso geral em unidades de processamento gráfico)

O TensorFlow está disponível no Linux de 64 bits, macOS e plataformas móveis, incluindo Android e iOS. O código do sistema é escrito em C ++ e Python e é distribuído sob a licença Apache.

Principais novos recursos do TensorFlow 2.0

Com o lançamento desta nova versão a principal atenção prestou-se à simplificação e facilidade de uso, como é o caso de construir e treinar modelos, uma nova API Keras de alto nível foi proposta que oferece diversas opções de interfaces para construção de modelos (sequencial, funcional, subclasse) com a possibilidade de sua execução imediata (sem compilação preliminar) e com um mecanismo de depuração simples.

Adicionada API tf.distribute.Strategy para organizar o treinamento de modelo distribuídos com modificação mínima no código existente. Além da capacidade de distribuir cálculos para várias GPUs, há suporte experimental disponível para dividir o processo de aprendizagem em vários processadores independentes e a capacidade de usar a nuvem TPU (Unidade de Processamento de Tensor).

En lugar de un modelo de construcción de gráfico declarativo con ejecución a través de tf.Session, es posible escribir funciones comunes de Python que se pueden convertir en gráficos llamando a tf.function y luego ejecutado, serializado u optimizado de forma remota para mejorar el Desempenho.

Foi adicionado um tradutor AutoGraph que converte o fluxo de comando do Python em expressões do TensorFlow, que permite usar o código Python nas funções tf.function, tf.data, tf.distribute e tf.keras.

SavedModel unificou o formato de intercâmbio de modelos e adicionou suporte para salvar e restaurar o estado dos modelos. Modelos montados para TensorFlow agora podem ser usados ​​no TensorFlow Lite (em dispositivos móveis), TensorFlow JS (em um navegador ou Node.js), TensorFlow Serving e TensorFlow Hub.

As APIs tf.train.Optimizers e tf.keras.Optimizers foram unificadas, Em vez de compute_gradients, uma nova classe GradientTape foi proposta para calcular gradientes.

Além disso, o desempenho nesta nova versão foi significativamente maior ao usar a GPU. A velocidade de treinamento do modelo em sistemas com GPUs NVIDIA Volta e Turing aumentou até três vezes.

Muitas APIs de limpeza, muitas chamadas foram renomeadas ou removidas, o suporte para variáveis ​​globais em métodos auxiliares foi interrompido. Em vez de tf.app, tf.flags, tf.logging, uma nova API absl-py é proposta. Para continuar usando a API antiga, o módulo compat.v1 foi preparado.

Se você quiser saber mais sobre isso, você pode consultar o seguinte link.


Seja o primeiro a comentar

Deixe um comentário

Seu endereço de email não será publicado. Campos obrigatórios são marcados com *

*

*

  1. Responsável pelos dados: Miguel Ángel Gatón
  2. Finalidade dos dados: Controle de SPAM, gerenciamento de comentários.
  3. Legitimação: Seu consentimento
  4. Comunicação de dados: Os dados não serão comunicados a terceiros, exceto por obrigação legal.
  5. Armazenamento de dados: banco de dados hospedado pela Occentus Networks (UE)
  6. Direitos: A qualquer momento você pode limitar, recuperar e excluir suas informações.