Vài ngày trước một phiên bản mới đã được trình bày quan trọng của nền tảng học máy TenorFlow 2.0, mà cung cấp các triển khai độc lập của các thuật toán học máy sâu khác nhau, giao diện lập trình đơn giản để xây dựng mô hình bằng Python và giao diện cấp thấp cho C ++ cho phép bạn kiểm soát việc xây dựng và thực thi đồ họa tính toán.
Nền tảng ban đầu được phát triển bởi nhóm Google Brain và được sử dụng bởi các dịch vụ của Google để nhận dạng giọng nói, nhận dạng khuôn mặt trong ảnh, xác định độ giống nhau của ảnh, lọc thư rác trong Gmail, chọn tin tức trong Google Tin tức và sắp xếp bản dịch theo ý nghĩa.
TensorFlow cung cấp một thư viện các thuật toán máy tính các số liệu có sẵn được triển khai thông qua biểu đồ luồng dữ liệu. Các nút trong đồ thị như vậy thực hiện các phép toán hoặc các điểm vào / ra, trong khi các cạnh của biểu đồ biểu thị các tập dữ liệu đa chiều (tensor) lưu chuyển giữa các nút.
Các nút có thể được gán cho các thiết bị tính toán và chạy không đồng bộ, đồng thời xử lý đồng thời tất cả các tenxơ phù hợp, cho phép bạn tổ chức hoạt động đồng thời của các nút trong mạng nơ-ron bằng cách tương tự với việc kích hoạt đồng thời các nơ-ron trong não.
Hệ thống học máy phân tán có thể được xây dựng trên thiết bị tiêu chuẩn, nhờ hỗ trợ tích hợp trong TensorFlow để mở rộng tính toán cho nhiều CPU hoặc GPU. TensorFlow có thể chạy trên nhiều CPU và GPU (với phần mở rộng CUDA tùy chọn để tính toán mục đích chung trên các đơn vị xử lý đồ họa)
TensorFlow có sẵn trên nền tảng Linux, macOS và di động 64-bit bao gồm Android và iOS. Mã hệ thống được viết bằng C ++ và Python và được phân phối theo giấy phép Apache.
Các tính năng mới chính của TensorFlow 2.0
Với việc phát hành phiên bản mới này, sự chú ý chính cho vay để đơn giản hóa và dễ sử dụng, đó là trường hợp để xây dựng và đào tạo các mô hình, API Keras cấp cao mới đã được đề xuất cung cấp một số tùy chọn cho các giao diện để xây dựng mô hình (tuần tự, chức năng, lớp con) với khả năng thực thi ngay lập tức của chúng (không cần biên dịch sơ bộ) và với cơ chế gỡ lỗi đơn giản.
Đã thêm API tf.distribute.Strategy để tổ chức đào tạo mô hình phân táns với sửa đổi tối thiểu đối với mã hiện có. Ngoài khả năng phân phối các phép tính cho nhiều GPU, còn có hỗ trợ thử nghiệm có sẵn để chia nhỏ quá trình học tập trên nhiều bộ xử lý độc lập và khả năng sử dụng TPU đám mây (Bộ xử lý Tensor).
Thay vì mô hình xây dựng đồ thị khai báo với việc thực thi thông qua tf.Session, có thể viết các hàm Python phổ biến có thể được chuyển đổi thành đồ thị bằng cách gọi tf. function và sau đó thực thi từ xa, tuần tự hóa hoặc tối ưu hóa để cải thiện hiệu suất.
Đã được thêm một trình dịch AutoGraph chuyển đổi luồng lệnh Python thành biểu thức TensorFlow, cho phép bạn sử dụng mã Python trong các hàm tf. function, tf.data, tf.distribute và tf.keras.
SavedModel thống nhất định dạng trao đổi mô hình và hỗ trợ thêm để lưu và khôi phục trạng thái của mô hình. Các mô hình lắp ráp cho TensorFlow hiện có thể được sử dụng trong TensorFlow Lite (trên thiết bị di động), TensorFlow JS (trong trình duyệt hoặc Node.js), TensorFlow Serving và TensorFlow Hub.
API tf.train.Optimizers và tf.keras.Optimizers đã được hợp nhất, Thay vì compute_gradients, một lớp GradientTape mới đã được đề xuất để tính toán độ dốc.
Ngoài ra, hiệu suất trong phiên bản mới này đã cao hơn đáng kể khi sử dụng GPU. Tốc độ đào tạo mô hình trên các hệ thống có GPU NVIDIA Volta và Turing đã tăng lên ba lần.
Rất nhiều API dọn dẹp, nhiều cuộc gọi được đổi tên hoặc bị xóa, hỗ trợ cho các biến toàn cục trong các phương thức trợ giúp bị hỏng. Thay vì tf.app, tf.flags, tf.logging, một API absl-py mới được đề xuất. Để tiếp tục sử dụng API cũ, mô-đun compat.v1 đã được chuẩn bị.
Nếu bạn muốn biết thêm về nó bạn có thể tham khảo liên kết sau.