Acum câteva zile a fost prezentată o nouă versiune importantă platformă de învățare automată TensorFlow 2.0, că oferă implementări gata de utilizare ale diverșilor algoritmi de învățare automată profundă, o interfață de programare simplă pentru construirea de modele în Python și o interfață de nivel scăzut pentru C++ care vă permite să controlați construcția și execuția graficelor de calcul.
Platforma a fost dezvoltat inițial de echipa Google Brain și este folosit de serviciile Google pentru recunoașterea vocii, recunoașterea facială în fotografii, determinarea asemănării imaginilor, filtrarea spam-ului în Gmail, selectarea știrilor în Google News și organizarea traducerii ținând cont de semnificație.
TensorFlow oferă o bibliotecă de algoritmi de calcul Numere ieșite din cutie implementate prin grafice ale fluxului de date. Nodurile din astfel de grafice implementează operații matematice sau puncte de intrare/ieșire, în timp ce marginile graficului reprezintă seturi de date multidimensionale (tensori) care curg între noduri.
Nodurile pot fi alocate dispozitivelor de calcul și rulează asincron, procesând simultan toți tensorii adecvați simultan, ceea ce vă permite să organizați funcționarea simultană a nodurilor într-o rețea neuronală prin analogie cu activarea simultană a neuronilor din creier.
Sistemele distribuite de învățare automată pot fi construite pe echipamente standard, datorită suportului încorporat în TensorFlow pentru extinderea procesului de calcul la mai multe procesoare sau GPU-uri. TensorFlow poate rula pe mai multe procesoare și GPU-uri (cu extensii CUDA opționale pentru calcularea de uz general pe unități de procesare grafică)
TensorFlow este disponibil pe 64 de biți Linux, macOS și platforme mobile, inclusiv Android și iOS. Codul de sistem este scris în C++ și Python și este distribuit sub licența Apache.
Principalele caracteristici noi ale TensorFlow 2.0
Odată cu lansarea acestei noi versiuni, atenția principală s-a pretat simplificării și ușurinței în utilizare, așa este cazul că pentru a construi și antrena modele, A fost propus un nou API Keras de nivel înalt care oferă mai multe opțiuni pentru interfețe pentru construirea de modele (secvențiale, funcționale, subclase) cu posibilitatea executării lor imediate (fără compilare prealabilă) și cu un mecanism simplu de depanare.
S-a adăugat tf.distribute.Strategy API pentru a orchestra instruirea modelului distribuits cu modificări minime la codul existent. Pe lângă capacitatea de a distribui calcule pe mai multe GPU-uri, există suport experimental disponibil pentru împărțirea procesului de învățare pe mai multe procesoare independente și capacitatea de a utiliza TPU-uri în cloud (unitate de procesare tensorală).
În loc de un model de construcție a graficului declarativ cu execuție prin tf.Session, este posibil să scrieți funcții comune Python care pot fi convertite în grafice apelând tf.function și apoi executate, serializate sau optimizate de la distanță pentru a îmbunătăți performanța.
A fost adaugat un translator AutoGraph care convertește fluxul de comenzi Python în expresii TensorFlow, permițându-vă să utilizați codul Python în funcțiile tf.function, tf.data, tf.distribute și tf.keras.
SavedModel a unificat formatul de schimb de model și a adăugat suport pentru salvarea și restabilirea stării modelului. Modelele asamblate pentru TensorFlow pot fi acum utilizate în TensorFlow Lite (pe mobil), TensorFlow JS (într-un browser sau Node.js), TensorFlow Serving și TensorFlow Hub.
API-urile tf.train.Optimizers și tf.keras.Optimizers au fost unificate, În loc de compute_gradients, a fost propusă o nouă clasă GradientTape pentru a calcula gradienții.
De asemenea, performanța în această nouă versiune a fost semnificativ mai mare atunci când se folosește GPU. Viteza de antrenament a modelului pe sistemele cu GPU-uri NVIDIA Volta și Turing a crescut de până la trei ori.
O mulțime de curățare API, multe apeluri sunt redenumite sau eliminate, suportul pentru variabile globale în metodele de ajutor este întrerupt. În loc de tf.app, tf.flags, tf.logging, este propus un nou API absl-py. Pentru a continua să utilizați API-ul anterior, modulul compat.v1 a fost pregătit.
Dacă doriți să aflați mai multe despre aceasta, puteți consulta următorul link.