انتشار سیستم یادگیری ماشینی TensorFlow 2.0

ارسال شده توسط انتشار قابل توجه پلت فرم یادگیری ماشین TensorFlow 2.0، که پیاده سازی های آماده ای از الگوریتم های مختلف یادگیری ماشین عمیق، یک رابط برنامه نویسی ساده برای ساخت مدل ها در پایتون و یک رابط سطح پایین برای زبان C++ ارائه می دهد که به شما امکان می دهد ساخت و اجرای نمودارهای محاسباتی را کنترل کنید. کد سیستم به زبان C++ و Python نوشته شده است توزیع شده توسط تحت مجوز آپاچی

این پلتفرم در ابتدا توسط تیم Google Brain توسعه داده شد و در خدمات گوگل برای تشخیص گفتار، شناسایی چهره ها در عکس ها، تعیین شباهت تصاویر، فیلتر کردن هرزنامه ها در جیمیل، استفاده می شود. انتخاب اخبار در Google News و سازماندهی ترجمه با در نظر گرفتن معنی. به لطف پشتیبانی داخلی TensorFlow برای توزیع محاسبات در چندین CPU یا GPU، سیستم های یادگیری ماشین توزیع شده را می توان بر روی سخت افزار استاندارد ایجاد کرد.

TensorFlow کتابخانه ای از الگوریتم های محاسبات عددی آماده را ارائه می دهد که از طریق نمودارهای جریان داده پیاده سازی شده اند. گره‌ها در چنین نمودارهایی عملیات ریاضی یا نقاط ورودی/خروجی را اجرا می‌کنند، در حالی که لبه‌های نمودار آرایه‌های داده چند بعدی (تانسورها) را نشان می‌دهند که بین گره‌ها جریان دارند.
گره ها را می توان به دستگاه های محاسباتی اختصاص داد و به صورت ناهمزمان اجرا کرد و همزمان تمام نظریه های مناسب برای آنها را پردازش کرد، که این امکان را فراهم می کند تا عملیات همزمان گره ها در یک شبکه عصبی را با قیاس با فعال شدن همزمان نورون ها در مغز سازماندهی کرد.

تمرکز اصلی در تهیه نسخه جدید بر روی ساده سازی و سهولت استفاده بود. برخی از نوآوری ها:

• یک API سطح بالا برای ساخت و آموزش مدل‌ها پیشنهاد شده است کراس، که چندین گزینه رابط برای ساخت مدل ها (Sequential، Functional، Subclassing) با قابلیت اجرای فوری (بدون پیش کامپایل) و با مکانیزم اشکال زدایی ساده.
• API اضافه شد tf.distribute.strategy برای سازمان یادگیری توزیع شده مدل هایی با حداقل تغییرات در کد موجود علاوه بر امکان پخش محاسبات در سراسر چند پردازنده گرافیکی، پشتیبانی آزمایشی برای تقسیم فرآیند یادگیری به چندین پردازنده مستقل و امکان استفاده از ابر موجود است TPU (واحد پردازش تانسور)؛
• به جای یک مدل اعلامی برای ساخت یک نمودار با اجرا از طریق tf.Session، می توان توابع معمولی را در پایتون نوشت، که با استفاده از فراخوانی به tf.function، می توان آنها را به نمودار تبدیل کرد و سپس از راه دور اجرا، سریال یا بهینه سازی کرد. برای بهبود عملکرد؛
• مترجم اضافه شد دستخط، که جریانی از دستورات پایتون را به عبارات TensorFlow تبدیل می کند و به کد پایتون اجازه می دهد تا در توابع tf.function-decorated، tf.data، tf.distribute و tf.keras استفاده شود.
• SavedModel قالب تبادل مدل را یکپارچه می کند و برای ذخیره و بازیابی حالت های مدل پشتیبانی می کند. مدل های کامپایل شده برای TensorFlow اکنون می توانند در آن استفاده شوند TensorFlow Lite (در دستگاه های تلفن همراه)، TensorFlow JS (در مرورگر یا Node.js)، سرویس TensorFlow и تنسورفلو هاب;
• APIهای tf.train.Optimizers و tf.keras.Optimizers یکپارچه شده اند؛ به جای compute_gradients، یک کلاس جدید برای محاسبه گرادیان پیشنهاد شده است. نوار گرادیان;
• افزایش قابل توجهی عملکرد هنگام استفاده از GPU.
  سرعت آموزش مدل در سیستم های دارای پردازنده گرافیکی NVIDIA Volta و Turing تا سه برابر افزایش یافته است.

• انجام شد پاکسازی اصلی API، تغییر نام یا حذف بسیاری از تماس‌ها، پشتیبانی از متغیرهای سراسری در روش‌های کمکی متوقف شد. به جای tf.app، tf.flags، tf.logging، یک API جدید absl-py پیشنهاد شده است. برای ادامه استفاده از API قدیمی، ماژول compat.v1 آماده شده است.

منبع: opennet.ru