masinõppeplatvormi märkimisväärne väljalase , mis pakub erinevate sügavate masinõppe algoritmide valmisrakendusi, lihtsat programmeerimisliidest Pythonis mudelite ehitamiseks ja madala taseme liidest C++ keelele, mis võimaldab juhtida arvutusgraafikute ehitamist ja täitmist. Süsteemikood on kirjutatud C++ ja Python ning Apache litsentsi alusel.
Platvormi töötas algselt välja Google Braini meeskond ja seda kasutatakse Google'i teenustes kõnetuvastuseks, fotodel nägude tuvastamiseks, piltide sarnasuse määramiseks, Gmailis rämpsposti filtreerimiseks, uudised Google Newsis ja tõlke korraldamine tähendust arvestades. Tänu TensorFlow sisseehitatud toele arvutuste jaotamiseks mitme protsessori või GPU vahel saab hajutatud masinõppesüsteeme luua standardse riistvaraga.
TensorFlow pakub valmis numbriliste arvutusalgoritmide teeki, mida rakendatakse andmevoograafikute kaudu. Selliste graafikute sõlmed teostavad matemaatilisi operatsioone või sisend-/väljundpunkte, samas kui graafiku servad esindavad mitmemõõtmelisi andmemassiive (tensoreid), mis voolavad sõlmede vahel.
Sõlme saab määrata arvutusseadmetele ja teostada asünkroonselt, korraga töödeldes kõiki neile sobivaid teosoreid, mis võimaldab korraldada sõlmede samaaegset tööd närvivõrgus analoogselt aju neuronite samaaegse aktiveerimisega.
Põhirõhk uue versiooni ettevalmistamisel oli lihtsustamisel ja kasutusmugavusel. :
- Mudelite ehitamiseks ja treenimiseks on pakutud välja uus kõrgetasemeline API , mis pakub mitmeid liidesevalikuid mudelite ehitamiseks (järjestikune, funktsionaalne, alamklassimine) koos võimalusega (ilma eelkoostamiseta) ja lihtsa silumismehhanismiga;
- Lisatud API organiseerimise jaoks mudelid minimaalsete muudatustega olemasolevas koodis. Lisaks arvutuste levitamise võimalusele , on saadaval eksperimentaalne tugi õppeprotsessi mitmeks sõltumatuks protsessoriks jagamiseks ja pilve kasutamise võimaluseks (Tensor töötlemisseade);
- tf.Sessioni kaudu täidetava graafiku koostamise deklaratiivse mudeli asemel on Pythonis võimalik kirjutada tavalisi funktsioone, mida saab tf.function kutse abil graafikuteks teisendada ja seejärel kaugkäivitada, serialiseerida või optimeerida. jõudluse parandamiseks;
- Lisatud tõlkija , mis teisendab Pythoni käskude voo TensorFlow avaldisteks, võimaldades Pythoni koodi kasutada funktsioonide tf.function-decorated, tf.data, tf.distribute ja tf.keras sees;
- SavedModel ühendab mudelivahetuse vormingu ja lisab toe mudeli olekute salvestamiseks ja taastamiseks. TensorFlow jaoks koostatud mudeleid saab nüüd kasutada (mobiilseadmetes), (brauseris või Node.js-s), и ;
- API-liidesed tf.train.Optimizers ja tf.keras.Optimizers on ühendatud; compute_gradients asemel on pakutud uus klass gradientide arvutamiseks ;
- Märkimisväärselt suurenenud jõudlus GPU kasutamisel.
Mudelitreeningu kiirus NVIDIA Volta ja Turingi GPU-dega süsteemides on kasvanud kuni kolm korda; - API suurpuhastus, paljud kõned ümbernimetatud või eemaldatud, abimeetodite globaalsete muutujate tugi peatatud. Rakenduste tf.app, tf.flags ja tf.logging asemel pakutakse välja uus absl-py API. Vana API kasutamise jätkamiseks on ette valmistatud moodul compat.v1.
Allikas: opennet.ru