মেশিন লার্নিং সিস্টেম টেনসরফ্লো 2.0 রিলিজ

জমাদানকারী মেশিন লার্নিং প্ল্যাটফর্মের উল্লেখযোগ্য প্রকাশ টেনসরফ্লো 2.0, যা বিভিন্ন ডিপ মেশিন লার্নিং অ্যালগরিদমের রেডিমেড ইমপ্লিমেন্টেশন প্রদান করে, পাইথনে মডেল তৈরির জন্য একটি সাধারণ প্রোগ্রামিং ইন্টারফেস এবং C++ ভাষার জন্য একটি নিম্ন-স্তরের ইন্টারফেস যা আপনাকে কম্পিউটেশনাল গ্রাফের নির্মাণ এবং সম্পাদন নিয়ন্ত্রণ করতে দেয়। সিস্টেম কোড C++ এবং Python এ লেখা আছে দ্বারা বিতরণ Apache লাইসেন্সের অধীনে।

প্ল্যাটফর্মটি মূলত গুগল ব্রেইন টিম দ্বারা তৈরি করা হয়েছিল এবং এটি স্পিচ রিকগনিশন, ফটোগ্রাফে মুখ শনাক্তকরণ, ছবির মিল নির্ধারণ, জিমেইলে স্প্যাম ফিল্টার আউট করার জন্য Google পরিষেবাগুলিতে ব্যবহৃত হয়। নির্বাচন Google News-এ খবর এবং অর্থ বিবেচনা করে অনুবাদ সংগঠিত করা। ডিস্ট্রিবিউটেড মেশিন লার্নিং সিস্টেমগুলি স্ট্যান্ডার্ড হার্ডওয়্যারে তৈরি করা যেতে পারে, একাধিক CPU বা GPU তে গণনা বিতরণের জন্য TensorFlow-এর অন্তর্নির্মিত সমর্থনের জন্য ধন্যবাদ।

টেনসরফ্লো ডেটা ফ্লো গ্রাফের মাধ্যমে বাস্তবায়িত রেডিমেড সংখ্যাসূচক গণনা অ্যালগরিদমের একটি লাইব্রেরি প্রদান করে। এই ধরনের গ্রাফের নোডগুলি গাণিতিক ক্রিয়াকলাপ বা ইনপুট/আউটপুট পয়েন্টগুলি প্রয়োগ করে, যখন গ্রাফের প্রান্তগুলি নোডগুলির মধ্যে প্রবাহিত বহুমাত্রিক ডেটা অ্যারে (টেনসর) উপস্থাপন করে।
নোডগুলিকে কম্পিউটিং ডিভাইসগুলিতে বরাদ্দ করা যেতে পারে এবং অ্যাসিঙ্ক্রোনাসভাবে কার্যকর করা যেতে পারে, একই সাথে তাদের জন্য উপযুক্ত সমস্ত থিসারগুলি একবারে প্রক্রিয়াকরণ করে, যা মস্তিষ্কের নিউরনগুলির একযোগে সক্রিয়করণের সাথে সাদৃশ্য দ্বারা একটি নিউরাল নেটওয়ার্কে নোডগুলির একযোগে অপারেশন সংগঠিত করা সম্ভব করে।

নতুন সংস্করণ প্রস্তুত করার প্রধান ফোকাস ছিল সরলীকরণ এবং ব্যবহারের সহজতার উপর। কিছু উদ্ভাবন:

• মডেল তৈরি এবং প্রশিক্ষণের জন্য একটি নতুন উচ্চ-স্তরের API প্রস্তাব করা হয়েছে Keras, যা বিল্ডিং মডেলের জন্য বেশ কয়েকটি ইন্টারফেস বিকল্প প্রদান করে (ক্রমিক, কার্যকরী, উপশ্রেণীকরণ) অবিলম্বে বাস্তবায়ন (প্রাক-সংকলন ছাড়া) এবং একটি সাধারণ ডিবাগিং প্রক্রিয়া সহ;
• এপিআই যোগ করা হয়েছে tf.distribute.Strategy সংগঠনের জন্য বিতরণ করা শিক্ষা বিদ্যমান কোডে ন্যূনতম পরিবর্তন সহ মডেল। জুড়ে ছড়িয়ে পড়ার সম্ভাবনা ছাড়াও একাধিক জিপিইউ, শেখার প্রক্রিয়াকে কয়েকটি স্বাধীন প্রসেসরে বিভক্ত করার জন্য এবং ক্লাউড ব্যবহার করার ক্ষমতার জন্য পরীক্ষামূলক সহায়তা পাওয়া যায় নমনীয় (টেনসর প্রসেসিং ইউনিট);
• tf.Session-এর মাধ্যমে এক্সিকিউশন সহ একটি গ্রাফ নির্মাণের ঘোষণামূলক মডেলের পরিবর্তে, পাইথনে সাধারণ ফাংশন লেখা সম্ভব, যা tf.function-এ কল ব্যবহার করে, গ্রাফে রূপান্তরিত করা যেতে পারে এবং তারপরে দূরবর্তীভাবে চালানো, ক্রমিক বা অপ্টিমাইজ করা যায়। উন্নত কর্মক্ষমতা জন্য;
• অনুবাদক যোগ করা হয়েছে অটোগ্রাফ, যা পাইথন কমান্ডের একটি স্ট্রীমকে TensorFlow এক্সপ্রেশনে রূপান্তরিত করে, যা পাইথন কোডকে tf.function-decorated, tf.data, tf.distribute এবং tf.keras ফাংশনের মধ্যে ব্যবহার করার অনুমতি দেয়;
• SavedModel মডেল এক্সচেঞ্জ ফরম্যাটকে একীভূত করে এবং মডেল স্টেট সংরক্ষণ ও পুনরুদ্ধারের জন্য সমর্থন যোগ করে। TensorFlow এর জন্য সংকলিত মডেলগুলি এখন ব্যবহার করা যেতে পারে টেন্সরফ্লো লাইট (মোবাইল ডিভাইসে), টেনসরফ্লো জেএস (ব্রাউজার বা Node.js এ), টেনসরফ্লো পরিবেশন করা и টেনসরফ্লো হাব;
• tf.train.Optimizers এবং tf.keras.Optimizers APIগুলিকে একীভূত করা হয়েছে; compute_gradients এর পরিবর্তে, গ্রেডিয়েন্ট গণনার জন্য একটি নতুন ক্লাস প্রস্তাব করা হয়েছে গ্রেডিয়েন্ট টেপ;
• GPU ব্যবহার করার সময় উল্লেখযোগ্যভাবে কর্মক্ষমতা বৃদ্ধি।
  NVIDIA Volta এবং Turing GPU সহ সিস্টেমে মডেল প্রশিক্ষণের গতি তিনগুণ পর্যন্ত বৃদ্ধি পেয়েছে;

• সম্পন্ন করা প্রধান API ক্লিনআপ, অনেক কলের নাম পরিবর্তন করা হয়েছে বা সরানো হয়েছে, সাহায্যকারী পদ্ধতিতে গ্লোবাল ভেরিয়েবলের জন্য সমর্থন বন্ধ হয়ে গেছে। tf.app, tf.flags, tf.logging-এর পরিবর্তে একটি নতুন absl-py API প্রস্তাব করা হয়েছে। পুরানো API ব্যবহার চালিয়ে যেতে, compat.v1 মডিউল প্রস্তুত করা হয়েছে।

উত্স: opennet.ru