Несколько дней тому назад была представлена новая версия важен для платформы машинного обучения ТензорФлоу 2.0, что предоставляет готовые реализации различных алгоритмов глубокого машинного обучения, простой программный интерфейс для построения моделей на Python и низкоуровневый интерфейс для C ++, который позволяет вам контролировать построение и выполнение вычислительной графики.
платформа изначально был разработан командой Google Brain и используется сервисами Google для распознавания голоса, распознавания лиц на фотографиях, определения схожести изображений, фильтрации спама в Gmail, выбора новостей в Новостях Google и организации перевода по смыслу.
TensorFlow предоставляет библиотеку компьютерных алгоритмов нестандартные числовые значения, реализованные с помощью диаграмм потоков данных. Узлы в таких графах реализуют математические операции или точки входа / выхода, а края графа представляют собой многомерные наборы данных (тензоры), которые текут между узлами.
Узлы могут быть назначены вычислительным устройствам и работать асинхронно, одновременно обрабатывая все подходящие тензоры одновременно, что позволяет организовать одновременную работу узлов в нейронной сети по аналогии с одновременным возбуждением нейронов в мозге.
Распределенные системы машинного обучения могут быть построены на стандартном оборудованииблагодаря встроенной поддержке в TensorFlow для расширения вычислений на несколько процессоров или графических процессоров. TensorFlow может работать на нескольких процессорах и графических процессорах (с дополнительными расширениями CUDA для вычислений общего назначения на графических процессорах)
TensorFlow доступен на 64-битных Linux, macOS и мобильных платформах, включая Android и iOS. Системный код написан на C ++ и Python и распространяется под лицензией Apache.
Основные новые возможности TensorFlow 2.0
С выходом этой новой версии основное внимание поддается упрощению и удобству использования, это тот случай, когда для построения и обучения моделей, был предложен новый высокоуровневый API Keras который предоставляет несколько вариантов интерфейсов для построения моделей (последовательных, функциональных, подклассов) с возможностью их немедленного выполнения (без предварительной компиляции) и с простым механизмом отладки.
Добавлен tf.distribute.Strategy API для организации обучения распределенной моделиs с минимальной модификацией существующего кода. Помимо возможности распределять вычисления по нескольким графическим процессорам, доступна экспериментальная поддержка для разделения процесса обучения между несколькими независимыми процессорами и возможность использования облачного TPU (Tensor Processing Unit).
Вместо декларативной модели построения графа с выполнением через tf.Session можно написать общие функции Python, которые можно преобразовать в графы, вызвав tf.function, а затем удаленно выполнить, сериализовать или оптимизировать для повышения производительности. спектакль.
Был добавлен переводчик AutoGraph, который преобразует поток команд Python в выражения TensorFlow, что позволяет использовать код Python в функциях tf.function, tf.data, tf.distribute и tf.keras.
SavedModel унифицировал формат обмена моделями и добавил поддержку сохранения и восстановления состояния моделей. Собранные модели для TensorFlow теперь можно использовать в TensorFlow Lite (на мобильных устройствах), TensorFlow JS (в браузере или Node.js), TensorFlow Serving и TensorFlow Hub.
API tf.train.Optimizers и tf.keras.Optimizers были унифицированы, Вместо compute_gradients был предложен новый класс GradientTape для вычисления градиентов.
Также производительность в этой новой версии была значительно выше при использовании GPU. Скорость обучения моделей на системах с графическими процессорами NVIDIA Volta и Turing увеличилась до трех раз.
Очень много чистящих API, многие вызовы переименованы или удалены, поддержка глобальных переменных в вспомогательных методах нарушена. Вместо tf.app, tf.flags, tf.logging предлагается новый API-интерфейс absl-py. Для продолжения использования старого API подготовлен модуль compat.v1.
Если вы хотите узнать об этом больше, вы можете проконсультироваться по следующей ссылке.