σημαντική κυκλοφορία της πλατφόρμας μηχανικής μάθησης , το οποίο παρέχει έτοιμες υλοποιήσεις διαφόρων αλγορίθμων βαθιάς μηχανικής μάθησης, μια απλή διεπαφή προγραμματισμού για την κατασκευή μοντέλων σε Python και μια διεπαφή χαμηλού επιπέδου για τη γλώσσα C++ που σας επιτρέπει να ελέγχετε την κατασκευή και την εκτέλεση υπολογιστικών γραφημάτων. Ο κώδικας του συστήματος είναι γραμμένος σε C++ και Python και υπό την άδεια Apache.
Η πλατφόρμα αναπτύχθηκε αρχικά από την ομάδα Google Brain και χρησιμοποιείται στις υπηρεσίες της Google για αναγνώριση ομιλίας, αναγνώριση προσώπων σε φωτογραφίες, προσδιορισμό της ομοιότητας των εικόνων, φιλτράρισμα ανεπιθύμητων μηνυμάτων στο Gmail, ειδήσεις στις Ειδήσεις Google και οργάνωση της μετάφρασης λαμβάνοντας υπόψη το νόημα. Τα κατανεμημένα συστήματα μηχανικής εκμάθησης μπορούν να δημιουργηθούν σε τυπικό υλικό, χάρη στην ενσωματωμένη υποστήριξη του TensorFlow για τη διανομή υπολογισμών σε πολλαπλές CPU ή GPU.
Το TensorFlow παρέχει μια βιβλιοθήκη έτοιμων αριθμητικών αλγορίθμων υπολογισμού που υλοποιούνται μέσω γραφημάτων ροής δεδομένων. Οι κόμβοι σε τέτοια γραφήματα υλοποιούν μαθηματικές πράξεις ή σημεία εισόδου/εξόδου, ενώ τα άκρα του γραφήματος αντιπροσωπεύουν πολυδιάστατους πίνακες δεδομένων (τανυστές) που ρέουν μεταξύ των κόμβων.
Οι κόμβοι μπορούν να αντιστοιχιστούν σε υπολογιστικές συσκευές και να εκτελεστούν ασύγχρονα, επεξεργάζοντας παράλληλα όλους τους κατάλληλους για αυτούς θεωρητές ταυτόχρονα, γεγονός που καθιστά δυνατή την οργάνωση της ταυτόχρονης λειτουργίας κόμβων σε ένα νευρωνικό δίκτυο κατ' αναλογία με την ταυτόχρονη ενεργοποίηση νευρώνων στον εγκέφαλο.
Η κύρια εστίαση στην προετοιμασία της νέας έκδοσης ήταν η απλοποίηση και η ευκολία χρήσης. :
- Ένα νέο API υψηλού επιπέδου έχει προταθεί για μοντέλα κατασκευής και εκπαίδευσης , το οποίο παρέχει πολλές επιλογές διεπαφής για μοντέλα κατασκευής (Διαδοχική, Λειτουργική, Υποκατηγορία) με τη δυνατότητα (χωρίς pre-compilation) και με απλό μηχανισμό εντοπισμού σφαλμάτων.
- Προστέθηκε API για οργάνωση μοντέλα με ελάχιστες αλλαγές στον υπάρχοντα κώδικα. Εκτός από τη δυνατότητα κατανομής των υπολογισμών , είναι διαθέσιμη πειραματική υποστήριξη για τη διαίρεση της διαδικασίας εκμάθησης σε πολλούς ανεξάρτητους επεξεργαστές και τη δυνατότητα χρήσης cloud (Μονάδα επεξεργασίας τανυστή).
- Αντί για ένα δηλωτικό μοντέλο κατασκευής ενός γραφήματος με εκτέλεση μέσω tf.Session, είναι δυνατό να γραφτούν συνηθισμένες συναρτήσεις στην Python, οι οποίες, χρησιμοποιώντας μια κλήση στη συνάρτηση tf., μπορούν να μετατραπούν σε γραφήματα και στη συνέχεια να εκτελεστούν εξ αποστάσεως, να σειριοποιηθούν ή να βελτιστοποιηθούν για βελτιωμένη απόδοση·
- Προστέθηκε μεταφραστής , το οποίο μετατρέπει μια ροή εντολών Python σε εκφράσεις TensorFlow, επιτρέποντας τη χρήση κώδικα Python μέσα στις συναρτήσεις tf.function-decorated, tf.data, tf.distribute και tf.keras.
- Το SavedModel ενοποιεί τη μορφή ανταλλαγής μοντέλων και προσθέτει υποστήριξη για αποθήκευση και επαναφορά καταστάσεων μοντέλου. Τα μοντέλα που έχουν δημιουργηθεί για το TensorFlow μπορούν πλέον να χρησιμοποιηθούν σε (σε κινητές συσκευές), (στο πρόγραμμα περιήγησης ή στο Node.js), и ;
- Τα API tf.train.Optimizers και tf.keras.Optimizers έχουν ενοποιηθεί αντί για compute_gradients, έχει προταθεί μια νέα κλάση για τον υπολογισμό των διαβαθμίσεων ;
- Σημαντικά αυξημένη απόδοση κατά τη χρήση GPU.
Η ταχύτητα εκπαίδευσης μοντέλων σε συστήματα με GPU NVIDIA Volta και Turing έχει αυξηθεί έως και τρεις φορές. - Σημαντική εκκαθάριση API, πολλές κλήσεις μετονομάστηκαν ή καταργήθηκαν, η υποστήριξη για καθολικές μεταβλητές στις βοηθητικές μεθόδους σταμάτησε. Αντί για tf.app, tf.flags, tf.logging, προτείνεται ένα νέο absl-py API. Για να συνεχίσετε να χρησιμοποιείτε το παλιό API, έχει προετοιμαστεί η λειτουργική μονάδα compat.v1.
Πηγή: opennet.ru