የ TensorFlow 2.0 ማሽን መማሪያ ስርዓት መልቀቅ

የቀረበው በ የማሽን መማሪያ መድረክ ጉልህ ልቀት TensorFlow 2.0, የተለያዩ ጥልቅ የማሽን መማሪያ ስልተ ቀመሮችን ፣ በፒቲን ቋንቋ ውስጥ ሞዴሎችን ለመገንባት ቀላል የፕሮግራም በይነገጽ እና ለ C ++ ቋንቋ ዝቅተኛ ደረጃ በይነገጽ ፣ የኮምፒተር ግራፎችን ግንባታ እና አፈፃፀም ለመቆጣጠር የሚያስችል ዝግጁ አተገባበርን ይሰጣል። . የስርዓት ኮድ በ C ++ እና Python እና የተሰራጨው በ በ Apache ፍቃድ.

የመሳሪያ ስርዓቱ መጀመሪያ የተገነባው በGoogle ብሬን ቡድን ሲሆን በGoogle አገልግሎቶች ውስጥ ለንግግር ማወቂያ፣ በፎቶዎች ላይ ፊትን መለየት፣ የምስል ተመሳሳይነት መለየት፣ በጂሜይል ውስጥ አይፈለጌ መልዕክትን ለማጣራት፣ ምርጫ በጎግል ዜና ውስጥ ዜና እና ትርጉምን መሰረት በማድረግ ትርጉሞችን ማደራጀት። በበርካታ ሲፒዩዎች ወይም ጂፒዩዎች ላይ ስሌቶችን ለማሰራጨት በ TensorFlow ውስጥ ለተሰራው ድጋፍ ምስጋና ይግባውና የተከፋፈለ የማሽን መማሪያ ስርዓቶች በተለመደው ሃርድዌር ላይ ሊፈጠሩ ይችላሉ።

TensorFlow በመረጃ ፍሰት ግራፎች ውስጥ የሚተገበሩ ዝግጁ የሆኑ የቁጥር ስሌት ስልተ ቀመሮችን ቤተ-መጽሐፍት ያቀርባል። በእንደዚህ ዓይነት ግራፎች ውስጥ ያሉት አንጓዎች የሂሳብ ስራዎችን ወይም የመግቢያ / መውጫ ነጥቦችን ይተገብራሉ, የግራፉ ጠርዝ ግን በመስቀለኛ መንገዱ መካከል የሚፈሱ ባለብዙ ገፅታ የውሂብ አደራደሮች (tensors) ይወክላሉ.
አንጓዎች ለኮምፒዩተር መሳሪያዎች ሊመደቡ እና ባልተመሳሰል ሁኔታ መሮጥ ይችላሉ ፣ በአንድ ጊዜ የሚገጥሟቸውን ሁሉንም ቴዎሮች በአንድ ጊዜ ያካሂዳሉ ፣ ይህም በአንጎል ውስጥ የነርቭ ሴሎችን በአንድ ጊዜ በማነቃቃት በነርቭ አውታረመረብ ውስጥ የመስቀለኛ ክፍሎችን በአንድ ጊዜ ለማደራጀት ያስችላል ።

የአዲሱ እትም ትኩረት ቀላልነት እና የአጠቃቀም ቀላልነት ላይ ነበር። አንዳንዶቹ ፈጠራዎች:

• ሞዴሎችን ለመገንባት እና ለማሰልጠን አዲስ ከፍተኛ-ደረጃ ቀርቧል ኬራሎችለግንባታ ሞዴሎች (ተከታታይ ፣ ተግባራዊ ፣ ንዑስ ክፍል) በይነገጾች በርካታ አማራጮችን ይሰጣል ። ወዲያውኑ ትግበራ (ያለ ቅድመ-ማጠናቀር) እና በቀላል ማረም ዘዴ;
• ኤፒአይ ታክሏል። tf.ማከፋፈል.ስልት ለድርጅት የተሰራጨ ትምህርት በነባር ኮድ ላይ አነስተኛ ለውጦች ያላቸው ሞዴሎች። በ ላይ ስሌቶችን የማሰራጨት እድል በተጨማሪ በርካታ ጂፒዩዎችየመማር ሂደቱን ወደ ብዙ ገለልተኛ ፕሮሰሰር እና ደመና የመጠቀም ችሎታን ለመከፋፈል የሙከራ ድጋፍ አለ። TPU (የቴንሱር ማቀነባበሪያ ክፍል);
• በtf.Session በኩል ከአፈፃፀም ጋር ግራፍ ለመገንባት ከማስረጃ ሞዴል ይልቅ ተራውን የ Python ተግባራትን የመፃፍ ችሎታ ቀርቧል ፣ ይህም ወደ tf.function ጥሪ በመጠቀም ወደ ግራፍ ሊቀየር እና ከዚያ በርቀት ሊተገበር ፣ ተከታታይ ወይም ማመቻቸት ይችላል። ለአፈፃፀም;
• ተርጓሚ ታክሏል። አውቶግራፍ, የ Python ትዕዛዝ ዥረትን ወደ TensorFlow አገላለጾች የሚቀይር፣ የ Python ኮድን በ tf.function-decorated፣ tf.data፣ tf.distribute እና tf.keras ተግባራት ውስጥ እንድትጠቀም ያስችልሃል፤
• SavedModel የሞዴል ልውውጥ ቅርፀቱን አንድ ያደርጋል እና የሞዴሎችን ሁኔታ ለማዳን እና ወደነበረበት ለመመለስ ድጋፍን ይጨምራል። ለ TensorFlow የተገነቡ ሞዴሎች አሁን በ ውስጥ ጥቅም ላይ ሊውሉ ይችላሉ። TensorFlow Lite (በሞባይል መሳሪያዎች ላይ); TensorFlowJS (በአሳሽ ወይም Node.js)፣ TensorFlow ማገልገል и TensorFlowHub;
• የተዋሃዱ tf.train.Optimizers እና tf.keras.Optimizers APIs፣ ከ compute_gradients ይልቅ አዲስ ክፍል ለማስላት ቅልመት ቀርቧል። የግራዲየንት ቴፕ;
• ጂፒዩ በሚጠቀሙበት ጊዜ አፈፃፀም በከፍተኛ ሁኔታ ጨምሯል።
  በ NVIDIA Volta እና Turing GPUs ላይ ባሉ ስርዓቶች ላይ የስልጠና ሞዴሎች ፍጥነት እስከ ሶስት ጊዜ ጨምሯል;

• ተሸክሞ መሄድ ትልቅ የኤፒአይ ማጽዳት፣ ብዙ ጥሪዎች ተሰይመዋል ወይም ተወግደዋል፣ ለአለምአቀፍ ተለዋዋጮች በረዳት ዘዴዎች ድጋፍ ቆሟል። ከtf.app፣tf.flags፣tf.logging ይልቅ አዲስ absl-py API ቀርቧል። የድሮውን ኤፒአይ መጠቀሙን ለመቀጠል compat.v1 ሞጁል ተዘጋጅቷል።

ምንጭ: opennet.ru