Ikaskuntza automatikoko plataformaren bertsio garrantzitsua , makina ikasteko hainbat algoritmo sakonen prest egindako inplementazioak, Python-en ereduak eraikitzeko programazio interfaze sinple bat eta grafiko konputazionalen eraikuntza eta exekuzioa kontrolatzeko aukera ematen duen C++ lengoaiarako maila baxuko interfaze bat eskaintzen du. Sistemaren kodea C++ eta Python-en idatzita dago eta Apache lizentziapean.
Plataforma Google Brain taldeak garatu zuen jatorriz eta Google zerbitzuetan erabiltzen da hizketa ezagutzeko, argazkietan aurpegiak identifikatzeko, irudien antzekotasuna zehazteko, spama Gmail-en iragazteko, albisteak Google News-en eta itzulpena antolatzea esanahia kontuan hartuta. Banatutako ikaskuntza automatikoko sistemak hardware estandarrean sor daitezke, TensorFlow-ek kalkuluak CPU edo GPU anitzetan banatzeko integratutako euskarriari esker.
TensorFlow-ek datu-fluxuaren grafikoen bidez inplementatutako zenbakizko kalkulu algoritmoen liburutegia eskaintzen du. Grafiko horietako nodoek eragiketa matematikoak edo sarrera/irteera puntuak ezartzen dituzte, grafikoaren ertzek nodoen artean zirkulatzen duten dimentsio anitzeko datu-matrizeak (tentsorea) adierazten dituzten bitartean.
Nodoak gailu informatikoei esleitu eta modu asinkronoan exekutatu daitezke, aldi berean haientzako egokiak diren tesore guztiak aldi berean prozesatzen direlarik, eta horri esker, neuron-sare batean nodoen aldibereko funtzionamendua antolatzea posible da garuneko neuronen aldibereko aktibazioarekin analogia eginez.
Bertsio berria prestatzeko ardatz nagusia sinplifikazioa eta erabiltzeko erraztasuna izan zen. :
- Goi-mailako API berri bat proposatu da ereduak eraikitzeko eta entrenatzeko , ereduak eraikitzeko hainbat interfaze aukera eskaintzen dituena (Sekuentzialak, Funtzionalak, Azpiklaseak) (aurre-konpilaziorik gabe) eta arazketa-mekanismo sinple batekin;
- APIa gehitu da antolakuntzarako lehendik dagoen kodean gutxieneko aldaketak dituzten ereduak. Kalkuluak zehar zabaltzeko aukeraz gain , laguntza esperimentala eskuragarri dago ikaskuntza prozesua hainbat prozesadore independentetan banatzeko eta hodeia erabiltzeko gaitasuna (Tentsorea prozesatzeko unitatea);
- Tf.Session-en bidez exekutatzen duen grafiko bat eraikitzeko eredu deklaratiboaren ordez, Python-en funtzio arruntak idaztea posible da, tf.function-era dei bat erabiliz, grafiko bihurtu eta gero urrunetik exekutatu, seriatu edo optimizatu daitezkeenak. errendimendua hobetzeko;
- Itzultzailea gehitu da , Python komandoen korronte bat TensorFlow adierazpenetan bihurtzen duena, Python kodea tf.function-decorated, tf.data, tf.distribute eta tf.keras funtzioen barruan erabiltzeko aukera ematen duena;
- SavedModel-ek eredu-truke formatua bateratzen du eta eredu-egoerak gordetzeko eta leheneratzeko laguntza gehitzen du. TensorFlow-erako konpilatutako ereduak orain erabil daitezke (gailu mugikorretan), (arakatzailean edo Node.js), ΠΈ ;
- tf.train.Optimizers eta tf.keras.Optimizers APIak bateratu egin dira; compute_gradients-en ordez, gradienteak kalkulatzeko klase berri bat proposatu da ;
- Errendimendua nabarmen handitu da GPU erabiltzean.
NVIDIA Volta eta Turing GPUak dituzten sistemetan ereduen prestakuntzaren abiadura hiru aldiz handitu da; - API garbiketa nagusia, dei asko aldatu edo kendu, aldagai globaletarako laguntza gelditu da. tf.app, tf.flags, tf.logging ordez, absl-py API berri bat proposatzen da. API zaharra erabiltzen jarraitzeko, compat.v1 modulua prestatu da.
Iturria: opennet.ru