Пре неки дан представљена је нова верзија важно за платформу за машинско учење ТенсорФлов 2.0, да пружа готове имплементације различитих алгоритама за дубоко машинско учење, једноставан програмски интерфејс за изградњу модела у Питхону и интерфејс ниског нивоа за Ц ++ који вам омогућава да контролишете конструкцију и извршавање рачунарске графике.
Платформа првобитно га је развио тим Гоогле Браин, а користе га Гоогле услуге за препознавање гласа, препознавање лица на фотографијама, утврђивање сличности слика, филтрирање нежељене поште у Гмаил-у, бирање вести у Гоогле вестима и организовање превода према значењу.
ТенсорФлов пружа библиотеку рачунарских алгоритама готове нумеричке бројеве примењене кроз графиконе тока података. Чворови у таквим графиконима имплементирају математичке операције или тачке уласка / изласка, док ивице графикона представљају вишедимензионалне скупове података (тензоре) који теку између чворова.
Чворови се могу доделити рачунарским уређајима и покретати асинхроно, истовремено обрађујући све погодне тензоре истовремено, омогућавајући вам да организујете истовремени рад чворова у неуронској мрежи по аналогији са истовременим пуцањем неурона у мозгу.
Дистрибуирани системи машинског учења могу се градити на стандардној опреми, захваљујући уграђеној подршци у ТенсорФлов-у за проширивање рачунарства на више ЦПУ-а или ГПУ-а. ТенсорФлов може да ради на више процесора и графичких процесора (са опционалним ЦУДА проширењима за рачунаре опште намене на јединицама за обраду графике)
ТенсорФлов је доступан на 64-битном Линук-у, мацОС-у и мобилним платформама, укључујући Андроид и иОС. Системски код је написан на Ц ++ и Питхон-у и дистрибуира се под лиценцом Апацхе.
Главне нове карактеристике ТенсорФлов 2.0
Изласком ове нове верзије главна пажња приуштио поједностављењу и једноставности употребе, такав је случај да се за изградњу и обуку модела, предложен је нови Керас АПИ на високом нивоу који пружа неколико опција за интерфејсе за изградњу модела (секвенцијални, функционални, поткласа) са могућношћу њиховог непосредног извршавања (без прелиминарне компилације) и једноставним механизмом за отклањање грешака.
Додан је тф.дистрибуте.Стратеги АПИ за организовање обуке дистрибуираних моделас са минималним изменама постојећег кода. Поред могућности дистрибуције израчунавања на више ГПУ-а, постоји експериментална подршка за поделу процеса учења на више независних процесора и могућност употребе ТПУ-а у облаку (Тенсор Процессинг Унит).
Уместо декларативног модела конструкције графова са извршењем путем тф.Сессион, могуће је написати уобичајене Питхон функције које се могу претворити у графиконе позивањем тф.фунцтион, а затим извршити на даљину, сериализовати или оптимизовати за побољшање перформанси. перформансе.
Је додат преводилац АутоГрапх који претвара ток наредби Питхон у изразе ТенсорФлов, који вам омогућава да користите Питхон код унутар функција тф.фунцтион, тф.дата, тф.дистрибуте и тф.керас.
СаведМодел је објединио формат размене модела и додао подршку за чување и враћање стања модела. Састављени модели за ТенсорФлов сада се могу користити у ТенсорФлов Лите (на мобилним уређајима), ТенсорФлов ЈС (у прегледачу или Ноде.јс), ТенсорФлов Сервинг и ТенсорФлов Хуб.
АПИ-ји тф.траин.Оптимизерс и тф.керас.Оптимизерс су обједињени, Уместо цомпуте_градиентс, предложена је нова класа ГрадиентТапе за израчунавање градијената.
Такође су перформансе у овој новој верзији биле знатно веће када се користи ГПУ. Брзина тренинга модела на системима са НВИДИА Волта и Туринг ГПУ-има повећала се до три пута.
Много АПИ-ја за чишћење, многи позиви се преименују или уклоне, подршка за глобалне променљиве у помоћним методама је прекинута. Уместо тф.апп, тф.флагс, тф.логгинг, предложен је нови апсл-пи АПИ. Да бисте наставили да користите стари АПИ, припремљен је модул цомпат.в1.
Ако желите да сазнате више о томе, можете се консултовати следећи линк.