významné vydání platformy strojového učení , která poskytuje hotové implementace různých algoritmů hlubokého strojového učení, jednoduché programovací rozhraní pro vytváření modelů v Pythonu a nízkoúrovňové rozhraní pro jazyk C++, které umožňuje řídit konstrukci a provádění výpočtových grafů. Systémový kód je napsán v C++ a Pythonu a pod licencí Apache.
Platforma byla původně vyvinuta týmem Google Brain a používá se ve službách Google pro rozpoznávání řeči, identifikaci tváří na fotografiích, určování podobnosti obrázků, filtrování spamu v Gmailu, zprávy ve Zprávách Google a organizování překladu s ohledem na význam. Distribuované systémy strojového učení lze vytvářet na standardním hardwaru díky vestavěné podpoře TensorFlow pro distribuci výpočtů mezi více CPU nebo GPU.
TensorFlow poskytuje knihovnu hotových numerických výpočetních algoritmů implementovaných prostřednictvím grafů toku dat. Uzly v takových grafech implementují matematické operace nebo vstupní/výstupní body, zatímco okraje grafu představují vícerozměrná datová pole (tenzory), která proudí mezi uzly.
Uzly lze přiřadit k výpočetním zařízením a provádět je asynchronně, současně zpracovávat všechny pro ně vhodné soory najednou, což umožňuje organizovat současnou činnost uzlů v neuronové síti analogicky se současnou aktivací neuronů v mozku.
Hlavní důraz při přípravě nové verze byl na zjednodušení a snadné použití. :
- Pro vytváření a trénink modelů bylo navrženo nové API na vysoké úrovni , který poskytuje několik možností rozhraní pro vytváření modelů (sekvenční, funkční, podtřídy) s možností (bez předkompilace) a s jednoduchým mechanismem ladění;
- Přidáno API pro organizaci modely s minimálními změnami stávajícího kódu. Kromě možnosti rozložení výpočtů napříč , je k dispozici experimentální podpora pro rozdělení procesu učení na několik nezávislých procesorů a možnost využívat cloud (procesorová jednotka tenzoru);
- Namísto deklarativního modelu konstrukce grafu s prováděním přes tf.Session je možné v Pythonu psát běžné funkce, které lze pomocí volání funkce tf.function převést na grafy a následně je vzdáleně spouštět, serializovat nebo optimalizovat pro lepší výkon;
- Přidán překladač , který převádí proud příkazů Pythonu na výrazy TensorFlow, což umožňuje použití kódu Pythonu ve funkcích tf.function-decorated, tf.data, tf.distribute a tf.keras;
- SavedModel sjednocuje formát výměny modelů a přidává podporu pro ukládání a obnovu stavů modelu. Modely sestavené pro TensorFlow lze nyní používat v (na mobilních zařízeních), (v prohlížeči nebo Node.js), и ;
- Rozhraní API tf.train.Optimizers a tf.keras.Optimizers byla sjednocena; namísto compute_gradients byla navržena nová třída pro výpočet přechodů ;
- Výrazně zvýšený výkon při použití GPU.
Rychlost modelování na systémech s GPU NVIDIA Volta a Turing se zvýšila až třikrát; - Hlavní vyčištění API, přejmenování nebo odstranění mnoha volání, zastavení podpory globálních proměnných v pomocných metodách. Místo tf.app, tf.flags, tf.logging je navrženo nové absl-py API. Aby bylo možné nadále používat staré API, byl připraven modul compat.v1.
Zdroj: opennet.ru