TensorFlow 2.0 masinõppe süsteemi väljaanne

Esitletud tähtis masinõppe platvormi väljaanne TensorFlow 2.0, mis pakub valmis teostusi erinevate sügava masinõppe algoritmide jaoks, lihtsat programmiliidest mudelite loomiseks Pythonis ja madala tasandi liidest C++ keeles, mis võimaldab hallata arvutusgraafikute koostamist ja täitmist. Süsteemi kood on kirjutatud C++ ja Python keeles ning levitatakse on litsentseeritud Apache litsentsi alusel.

Platvorm on algselt välja töötatud Google Brain meeskonna poolt ning seda kasutatakse Google'i teenustes kõne tuvastamiseks, näotuvastamiseks fotodel, piltide sarnaste leidmiseks, rämpsposti filtreerimiseks Gmailis, uudiste valimiseks Google News'is ja tõlgete organiseerimiseks tähenduspõhiselt. Jaotatud masinõppesüsteeme saab luua tavalise varustuse peal tänu TensorFlow sisseehitatud toele arvutusülesannete jaotamisel mitme CPU või GPU vahel. TensorFlow pakub raamatukogu valmis numbriliste arvutuste algoritmidest, mis on realiseeritud andmevoogude graafidena (data flow graphs). Nende graafide sõlmed realiseerivad matemaatilisi operatsioone või sisend-/väljundpunkte, samal ajal kui graafi servad esitavad mitmemõõtmelisi andmemassiive (tensorsid), mis voolavad sõlmede vahel.

Sõlmed võivad olla seotud arvutusseadmetega ja töötada asünkroonselt, töötledes korraga kõiki sobivaid tensoreid, mis võimaldab sõlmede samaaegset tööd närvivõrgus, sarnaselt neuronite samaaegse aktiveerimisele ajus.
Uue versiooni ettevalmistamisel pöörati erilist tähelepanu kasutusmugavuse ja lihtsuse parandamisele.

Mõned Uute mudelite koostamiseks ja koolitamiseks on välja pakutud uus kõrgema taseme API uuendused:

• Keras , mis pakub mitmeid mudeli koostamise liideseid (Sequential, Functional, Subclassing) ja võimaldab nendekohese täitmise (ilma eelneva kompileerimiseta) ja lihtsat silumise mehhanismi; Lisatud on API
• tf.distribute.Strategy jaotatud õppimise korraldamiseks mudelites minimaalse olemasoleva koodi muutmisega. Lisaks võimalusele jaotada arvutusülesandeid mitme GPU vahel , on saadaval katseline tugi protsessi õpetamise jaotamiseks mitme sõltumatu töötleja vahel ja võimalus kasutada pilve TPU, on saadaval katse tugi õppeprotsessi jaotamiseks mitmele sõltumatule töötlejale ja võimalus kasutada pilve TPU (Tensor processing unit);
• Deklaratiivse mudeli kasutamise asemel, kus graaf koosnev töötlus toimub tf.Session'i kaudu, on võimalus kirjutada tavafunktsioone Python'i keeles, mis saab tf.function'i abil ümber kujundatud graafideks ning neid seejärel kaugelt käitada, serialiseerida või optimeerida sooritusvõime tõstmiseks;
• Lisatud tõlkija AutoGraph, mis muudab Python'i käsu voolu TensorFlow'i avaldusteks, võimaldades kasutada Python'i koodi tf.function-dekoratsiooni, tf.data, tf.distribute ja tf.keras funktsioonides;
• SavedModel'is on standardiseeritud mudelite vahetamise formaat ja lisatud tugi mudelite oleku salvestamiseks ja taastamiseks. Nüüd võivad TensorFlow'ile kogutud mudelid olla kasutuses TensorFlow Lite (mobiilseadmetes), TensorFlow JS (brauseris või Node.js's), TensorFlow Serving ja TensorFlow Hub;
• Standardiseeritud on API-d tf.train.Optimizers ja tf.keras.Optimizers, traditsioonilise compute_gradients'i asemel on pakutud uus klass GradientTape;
• GPU'd kasutades on oluliselt suurenenud jõudlus.
  Mudelite õppimise kiirus NVIDIA Volta ja Turing süsteemides on tõusnud kolm korda;
• Tehtud on suurepärane API puhastus, paljud kutsed on ümber nimetatud või eemaldatud, globaalsed muutujad on toetajates kõrvaldatud. tf.app, tf.flags, tf.logging asemel on pakutud uus API absl-py. Vanade API kasutamise jätkamiseks on ette valmistatud moodul compat.v1.

Allikas: opennet.ru