મશીન લર્નિંગ સિસ્ટમ ટેન્સરફ્લો 2.0નું પ્રકાશન

દ્રારા રજુ કરેલ મશીન લર્નિંગ પ્લેટફોર્મનું નોંધપાત્ર પ્રકાશન ટેન્સરફ્લો 2.0, જે વિવિધ ડીપ મશીન લર્નિંગ અલ્ગોરિધમ્સના તૈયાર અમલીકરણો, પાયથોનમાં મોડલ્સ બનાવવા માટે એક સરળ પ્રોગ્રામિંગ ઈન્ટરફેસ અને C++ ભાષા માટે નિમ્ન-સ્તરનું ઈન્ટરફેસ પ્રદાન કરે છે જે તમને કોમ્પ્યુટેશનલ ગ્રાફના નિર્માણ અને અમલીકરણને નિયંત્રિત કરવાની મંજૂરી આપે છે. સિસ્ટમ કોડ C++ અને Python અને માં લખાયેલ છે દ્વારા વિતરિત અપાચે લાયસન્સ હેઠળ.

આ પ્લેટફોર્મ મૂળરૂપે Google બ્રેઈન ટીમ દ્વારા વિકસાવવામાં આવ્યું હતું અને તેનો ઉપયોગ Google સેવાઓમાં વાણી ઓળખ, ફોટોગ્રાફ્સમાં ચહેરાને ઓળખવા, છબીઓની સમાનતા નક્કી કરવા, Gmail માં સ્પામ ફિલ્ટર કરવા માટે થાય છે. પસંદગી Google Newsમાં સમાચાર અને અર્થને ધ્યાનમાં લેતા અનુવાદનું આયોજન કરવું. ડિસ્ટ્રિબ્યુટેડ મશીન લર્નિંગ સિસ્ટમ્સ પ્રમાણભૂત હાર્ડવેર પર બનાવી શકાય છે, બહુવિધ CPUs અથવા GPUs પર ગણતરીઓનું વિતરણ કરવા માટે TensorFlowના બિલ્ટ-ઇન સપોર્ટને આભારી છે.

ટેન્સરફ્લો ડેટા ફ્લો આલેખ દ્વારા અમલમાં મૂકાયેલ તૈયાર આંકડાકીય ગણતરી અલ્ગોરિધમ્સની લાઇબ્રેરી પ્રદાન કરે છે. આવા આલેખમાં ગાંઠો ગાણિતિક ક્રિયાઓ અથવા ઇનપુટ/આઉટપુટ પોઈન્ટનો અમલ કરે છે, જ્યારે ગ્રાફની કિનારીઓ બહુપરીમાણીય ડેટા એરે (ટેન્સર્સ) દર્શાવે છે જે નોડ્સ વચ્ચે વહે છે.
ગાંઠો કમ્પ્યુટિંગ ઉપકરણોને અસાઇન કરી શકાય છે અને અસુમેળ રીતે ચલાવવામાં આવે છે, એકસાથે તેમના માટે યોગ્ય તમામ થિસોર્સ પર એક સાથે પ્રક્રિયા કરે છે, જે મગજમાં ચેતાકોષોના એક સાથે સક્રિયકરણ સાથે સામ્યતા દ્વારા ન્યુરલ નેટવર્કમાં નોડ્સના એક સાથે ઓપરેશનને ગોઠવવાનું શક્ય બનાવે છે.

નવા સંસ્કરણને તૈયાર કરવામાં મુખ્ય ધ્યાન સરળીકરણ અને ઉપયોગમાં સરળતા પર હતું. કેટલાક નવીનતાઓ:

• મૉડલ બનાવવા અને તાલીમ આપવા માટે નવા ઉચ્ચ-સ્તરનું API પ્રસ્તાવિત કરવામાં આવ્યું છે કેરાસ, જે ક્ષમતા સાથે બિલ્ડીંગ મોડલ્સ (ક્રમિક, કાર્યાત્મક, સબક્લાસિંગ) માટે ઘણા ઇન્ટરફેસ વિકલ્પો પૂરા પાડે છે. તાત્કાલિક અમલ (પૂર્વ-સંકલન વિના) અને સરળ ડિબગીંગ મિકેનિઝમ સાથે;
• API ઉમેર્યું tf.distribute.strategy સંસ્થા માટે વિતરિત શિક્ષણ હાલના કોડમાં ન્યૂનતમ ફેરફારો સાથેના મોડલ. સમગ્ર ગણતરીઓ ફેલાવાની શક્યતા ઉપરાંત બહુવિધ GPU, શીખવાની પ્રક્રિયાને કેટલાક સ્વતંત્ર પ્રોસેસરોમાં વિભાજીત કરવા અને ક્લાઉડનો ઉપયોગ કરવાની ક્ષમતા માટે પ્રાયોગિક સમર્થન ઉપલબ્ધ છે. TPU (ટેન્સર પ્રોસેસિંગ યુનિટ);
• tf.Session દ્વારા એક્ઝેક્યુશન સાથે ગ્રાફ બનાવવાના ઘોષણાત્મક મોડલને બદલે, Python માં સામાન્ય ફંક્શન લખવાનું શક્ય છે, જે tf.function પર કૉલનો ઉપયોગ કરીને, ગ્રાફમાં રૂપાંતરિત કરી શકાય છે અને પછી દૂરસ્થ રીતે એક્ઝિક્યુટ, સીરીયલાઇઝ્ડ અથવા ઑપ્ટિમાઇઝ કરી શકાય છે. સુધારેલ પ્રદર્શન માટે;
• અનુવાદક ઉમેર્યું ઓટોગ્રાફ, જે Python આદેશોના પ્રવાહને TensorFlow અભિવ્યક્તિઓમાં રૂપાંતરિત કરે છે, Python કોડને tf.function-decorated, tf.data, tf.distribute, અને tf.keras ફંક્શન્સની અંદર ઉપયોગ કરવાની મંજૂરી આપે છે;
• SavedModel મોડલ એક્સચેન્જ ફોર્મેટને એકીકૃત કરે છે અને મોડલ સ્ટેટ્સને બચાવવા અને પુનઃસ્થાપિત કરવા માટે સપોર્ટ ઉમેરે છે. ટેન્સરફ્લો માટે સંકલિત મોડલ્સ હવે ઉપયોગમાં લઈ શકાય છે ટેન્સરફ્લો લાઇટ (મોબાઇલ ઉપકરણો પર), ટેન્સરફ્લો જેએસ (બ્રાઉઝર અથવા Node.js માં), ટેન્સરફ્લો સર્વિંગ и ટેન્સરફ્લો હબ;
• tf.train.Optimizers અને tf.keras.Optimizers API ને એકીકૃત કરવામાં આવ્યા છે; compute_gradients ને બદલે, gradients ની ગણતરી માટે એક નવો વર્ગ પ્રસ્તાવિત કરવામાં આવ્યો છે. ગ્રેડિયન્ટ ટેપ;
• GPU નો ઉપયોગ કરતી વખતે પ્રભાવમાં નોંધપાત્ર વધારો.
  NVIDIA વોલ્ટા અને ટ્યુરિંગ GPU સાથે સિસ્ટમો પર મોડેલ તાલીમની ઝડપ ત્રણ ગણી વધી છે;

• હાથ ધરવામાં આવી હતી મુખ્ય API ક્લિનઅપ, ઘણા કૉલ્સનું નામ બદલાયું અથવા દૂર કરવામાં આવ્યું, સહાયક પદ્ધતિઓમાં વૈશ્વિક ચલો માટે સમર્થન બંધ થયું. tf.app, tf.flags, tf.logging ને બદલે, એક નવું absl-py API પ્રસ્તાવિત છે. જૂના API નો ઉપયોગ ચાલુ રાખવા માટે, compat.v1 મોડ્યુલ તૈયાર કરવામાં આવ્યું છે.

સોર્સ: opennet.ru