betydelig udgivelse af maskinlæringsplatformen , der tilbyder færdige implementeringer af forskellige algoritmer til dyb læring, en enkel programmeringsgrænseflade til modelbygning i Python samt et lavniveau-grænseflade til C++, som muliggør styring af opbygning og udførelse af beregningsgrafer. Systemkoden er skrevet i C++ og Python og under Apache-licensen.
platformen blev oprindeligt udviklet af Google Brain-teamet og anvendes i Google-tjenester til talegenkendelse, ansigtsgenkendelse på billeder, bestemmelse af billedlighed, spamfiltrering i Gmail, i Google News og organisering af oversættelser med hensyntagen til betydning. Fordelte maskinlæringssystemer kan oprettes på standardhardware takket være den indbyggede understøttelse i TensorFlow af fordeling af beregninger på flere CPU'er eller GPU'er.
TensorFlow tilbyder et bibliotek af færdige algoritmer til numeriske beregninger, implementeret gennem dataflow-grafer (data flow graphs). Noder i disse grafer udfører matematiske operationer eller ind-/udgangspunkter, mens kanterne i grafen repræsenterer multidimensionelle datamængder (tensorer), der strømmer mellem noderne.
Noder kan være bundet til beregningsenheder og udføres asynkront, hvilket muliggør samtidig behandling af alle passende tensorer, hvilket gør det muligt at organisere samtidig aktivering af noder i et neuralt netværk ligesom samtidig aktivering af neuroner i hjernen.
Der blev lagt særlig vægt på forenkling og brugervenlighed i forberedelsen af den nye version. :
- For opbygning og træning af modeller er der tilbudt et nyt høj-niveau API , der tilbyder flere grænsefladeindstillinger til modelbygning (Sequential, Functional, Subclassing) med mulighed for (uden forudgående kompilering) og med en enkel fejlsøgningsmekanisme;
- API er blevet tilføjet til organisering af af modeller med minimal ændring af eksisterende kode. Udover muligheden for at fordele beregninger på , er der eksperimentel understøttelse af fordeling af læringsprocessen på flere uafhængige bearbejdere samt mulighed for at ansætte cloud-baserede (Tensor processing unit);
- I stedet for en deklarativ model til grafopbygning med udførelse gennem tf.Session er der nu mulighed for at skrive almindelige funktioner i Python, som ved hjælp af kaldet tf.function kan omdannes til grafer og derefter køres eksternt, serialiseres eller optimeres for at forbedre ydeevnen;
- Oversætter tilføjet , der omdanner strømmen af Python-kommandoer til TensorFlow-udtryk, hvilket muliggør brugen af Python-kode inden for funktioner dekoreret med tf.function, tf.data, tf.distribute og tf.keras;
- I SavedModel er formatet til udveksling af modeller blevet ensartet, og der er tilføjet støtte til at gemme og genskabe modelzustand. Samlede modeller til TensorFlow kan nu bruges i (på mobile enheder), (i browseren eller Node.js), og ;
- API'erne tf.train.Optimizers og tf.keras.Optimizers er blevet ensartet, og i stedet for compute_gradients til beregning af gradienter er der introduceret en ny klasse ;
- Ydeevnen ved brug af GPU er betydeligt forbedret.
Indlæringshastigheden for modeller på systemer med NVIDIA Volta og Turing GPU'er er steget op til tre gange; - en stor oprydning af API'et, mange kald er blevet omdøbt eller fjernet, og understøttelse af globale variabler i hjælpefunktioner er blevet stoppet. I stedet for tf.app, tf.flags, tf.logging er der introduceret et nyt API kaldet absl-py. For fortsat brug af det gamle API er der forberedt et modul ved navn compat.v1.
Kilde: opennet.ru
