Появляється TensorFlow 2.0, бібліотека з відкритим кодом для машинного навчання

tf_logo

Кілька днів тому була представлена ​​нова версія важливо для платформи машинного навчання TensorFlow 2.0, що надає нестандартні реалізації різних алгоритмів глибокого машинного навчання, простий інтерфейс програмування для побудови моделей на Python та низькорівневий інтерфейс для C ++, що дозволяє контролювати побудову та виконання обчислювальної графіки.

Платформа спочатку був розроблений командою Google Brain і використовується службами Google для розпізнавання голосу, розпізнавання обличчя на фотографіях, визначають схожість зображень, фільтрують спам у Gmail, вибирають новини в Google News та організовують переклад відповідно до значення.

TensorFlow надає бібліотеку комп’ютерних алгоритмів нестандартна цифра, реалізована за допомогою діаграм потоків даних. Вузли на таких графіках реалізують математичні операції або точки входу / виходу, тоді як краї графіка представляють багатовимірні набори даних (тензори), що протікають між вузлами.

Вузли можуть бути призначені для обчислювальних пристроїв і працювати асинхронно, одночасно обробляючи всі відповідні тензори одночасно, що дозволяє організувати одночасну роботу вузлів у нейронній мережі за аналогією з одночасним спрацьовуванням нейронів у мозку.

Розподілені системи машинного навчання можуть бути побудовані на стандартному обладнанні, завдяки вбудованій підтримці в TensorFlow для розширення обчислень на декілька процесорів або графічних процесорів. TensorFlow може працювати на декількох процесорах і графічних процесорах (з додатковими розширеннями CUDA для обчислень загального призначення на графічних процесорах)

TensorFlow доступний на 64-розрядних Linux, macOS та мобільних платформах, включаючи Android та iOS. Системний код написаний на C ++ та Python і поширюється під ліцензією Apache.

Основні нові можливості TensorFlow 2.0

З виходом цієї нової версії головна увага спростився і полегшив використання, такий випадок, що для побудови та навчання моделей, було запропоновано новий високорівневий API Keras який надає кілька варіантів інтерфейсів для побудови моделей (послідовних, функціональних, підкласів) з можливістю їх негайного виконання (без попередньої компіляції) та з простим механізмом налагодження.

Додано API tf.distribute.Strategy для організації навчання розподілених моделейs з мінімальними змінами до існуючого коду. На додаток до можливості розподілу обчислень на декількох графічних процесорах, існує експериментальна підтримка розподілу навчального процесу на кілька незалежних процесорів та можливість використання хмарного TPU (процесорного блоку тензора).

Замість декларативної моделі побудови графіка з виконанням через tf.Session, можна написати загальні функції Python, які можна перетворити на графіки, викликавши tf.function, а потім віддалено виконати, серіалізувати або оптимізувати для підвищення продуктивності. продуктивність.

Додано перекладач AutoGraph, який перетворює потік команд Python у вирази TensorFlow, що дозволяє використовувати код Python у функціях tf.function, tf.data, tf.distribute та tf.keras.

SavedModel уніфікував формат обміну моделями та додав підтримку для збереження та відновлення стану моделей. Зібрані моделі для TensorFlow тепер можна використовувати в TensorFlow Lite (на мобільних пристроях), TensorFlow JS (у браузері або Node.js), TensorFlow Serving і TensorFlow Hub.

API tf.train.Optimizers та tf.keras.Optimizers були уніфіковані, Замість compute_gradients запропоновано новий клас GradientTape для обчислення градієнтів.

Також продуктивність у цій новій версії була значно вищою при використанні графічного процесора. Швидкість навчання моделей на системах з графічними процесорами NVIDIA Volta та Turing зросла до трьох разів.

Багато API очищення, багато викликів перейменовано або видалено, підтримка глобальних змінних у допоміжних методах порушена. Замість tf.app, tf.flags, tf.logging пропонується новий API absl-py. Для продовження використання старого API був підготовлений модуль compat.v1.

Якщо ви хочете дізнатися більше про це, ви можете проконсультуватися за наступним посиланням.


Будьте першим, щоб коментувати

Залиште свій коментар

Ваша електронна адреса не буде опублікований. Обов'язкові для заповнення поля позначені *

*

*

  1. Відповідальний за дані: Мігель Анхель Гатон
  2. Призначення даних: Контроль спаму, управління коментарями.
  3. Легітимація: Ваша згода
  4. Передача даних: Дані не передаватимуться третім особам, за винятком юридичних зобов’язань.
  5. Зберігання даних: База даних, розміщена в мережі Occentus Networks (ЄС)
  6. Права: Ви можете будь-коли обмежити, відновити та видалити свою інформацію.