llançament important de la plataforma d'aprenentatge automàtic , que proporciona implementacions ja fetes de diversos algorismes d'aprenentatge automàtic profund, una interfície de programació senzilla per construir models en Python i una interfície de baix nivell per al llenguatge C++ que permet controlar la construcció i l'execució de gràfics computacionals. El codi del sistema està escrit en C++ i Python i sota la llicència Apache.
La plataforma va ser desenvolupada originalment per l'equip de Google Brain i s'utilitza als serveis de Google per al reconeixement de veu, identificar cares en fotografies, determinar la similitud d'imatges, filtrar el correu brossa a Gmail, notícies a Google News i organitzant la traducció tenint en compte el significat. Els sistemes d'aprenentatge automàtic distribuïts es poden crear amb maquinari estàndard, gràcies al suport integrat de TensorFlow per distribuir els càlculs entre diverses CPU o GPU.
TensorFlow proporciona una biblioteca d'algoritmes de càlcul numèric ja fets implementats mitjançant gràfics de flux de dades. Els nodes d'aquests gràfics implementen operacions matemàtiques o punts d'entrada/sortida, mentre que les vores del gràfic representen matrius de dades multidimensionals (tensors) que flueixen entre nodes.
Els nodes es poden assignar a dispositius informàtics i executar-se de manera asíncrona, processant simultàniament tots els tesors adequats per a ells alhora, cosa que permet organitzar el funcionament simultània dels nodes en una xarxa neuronal per analogia amb l'activació simultània de neurones al cervell.
L'objectiu principal de la preparació de la nova versió va ser la simplificació i la facilitat d'ús. :
- S'ha proposat una nova API d'alt nivell per construir i entrenar models , que proporciona diverses opcions d'interfície per construir models (seqüencials, funcionals, subclassificacions) amb la capacitat de (sense pre-compilació) i amb un mecanisme de depuració senzill;
- S'ha afegit l'API per a l'organització models amb canvis mínims al codi existent. A més de la possibilitat de repartir els càlculs , hi ha suport experimental disponible per dividir el procés d'aprenentatge en diversos processadors independents i la capacitat d'utilitzar el núvol (Unitat de processament de tensor);
- En lloc d'un model declaratiu de construcció d'un gràfic amb execució mitjançant tf.Session, és possible escriure funcions ordinàries en Python, que, mitjançant una crida a tf.function, es poden convertir en gràfics i després executar-se, serialitzar o optimitzar de forma remota. per millorar el rendiment;
- S'ha afegit traductor , que converteix un flux d'ordres de Python en expressions TensorFlow, permetent que el codi Python s'utilitzi dins de les funcions tf.function-decorated, tf.data, tf.distribute i tf.keras;
- SavedModel unifica el format d'intercanvi de models i afegeix suport per desar i restaurar els estats del model. Els models compilats per a TensorFlow ara es poden utilitzar (en dispositius mòbils), (al navegador o Node.js), и ;
- S'han unificat les API tf.train.Optimizers i tf.keras.Optimizers; en lloc de compute_gradients, s'ha proposat una nova classe per calcular gradients ;
- Rendiment augmentat significativament quan s'utilitza la GPU.
La velocitat d'entrenament del model en sistemes amb GPU NVIDIA Volta i Turing ha augmentat fins a tres vegades; - Neteja important de l'API, moltes trucades canviades de nom o eliminades, suport per a variables globals en mètodes d'ajuda aturat. En lloc de tf.app, tf.flags, tf.logging, es proposa una nova API absl-py. Per continuar utilitzant l'antiga API, s'ha preparat el mòdul compat.v1.
Font: opennet.ru