TensorFlow 2.0 մեքենայական ուսուցման համակարգի թողարկում

Ներկայացվել է մեքենայական ուսուցման հարթակի զգալի թողարկում TensorFlow 2.0, որն ապահովում է տարբեր խորը մեքենայական ուսուցման ալգորիթմների պատրաստի իրականացում, Python-ում մոդելներ կառուցելու պարզ ծրագրավորման ինտերֆեյս և ցածր մակարդակի ինտերֆեյս C++ լեզվի համար, որը թույլ է տալիս վերահսկել հաշվողական գրաֆիկների կառուցումն ու կատարումը։ Համակարգի կոդը գրված է C++-ով և Python-ով և տարածվում է Apache լիցենզիայի ներքո:

Պլատֆորմն ի սկզբանե մշակվել է Google Brain թիմի կողմից և օգտագործվում է Google-ի ծառայություններում՝ խոսքի ճանաչման, լուսանկարներում դեմքերը նույնականացնելու, պատկերների նմանությունը որոշելու, Gmail-ում սպամը զտելու համար, ընտրություն նորություններ Google News-ում և թարգմանության կազմակերպում՝ հաշվի առնելով իմաստը: Բաշխված մեքենայական ուսուցման համակարգերը կարող են ստեղծվել ստանդարտ սարքաշարի վրա՝ շնորհիվ TensorFlow-ի ներկառուցված աջակցության՝ բազմաթիվ պրոցեսորների կամ գրաֆիկական պրոցեսորների վրա հաշվարկները բաշխելու համար:

TensorFlow-ը տրամադրում է պատրաստի թվային հաշվարկի ալգորիթմների գրադարան, որն իրականացվում է տվյալների հոսքի գրաֆիկների միջոցով: Նման գրաֆիկներում հանգույցներն իրականացնում են մաթեմատիկական գործողություններ կամ մուտքային/ելքային կետեր, մինչդեռ գրաֆիկի եզրերը ներկայացնում են բազմաչափ տվյալների զանգվածներ (տենզորներ), որոնք հոսում են հանգույցների միջև։
Հանգույցները կարող են վերագրվել հաշվողական սարքերին և գործարկվել ասինխրոն՝ միաժամանակ մշակելով նրանց համար հարմար բոլոր թեզերը, ինչը հնարավորություն է տալիս կազմակերպել նեյրոնային ցանցում հանգույցների միաժամանակյա աշխատանքը՝ անալոգիայով ուղեղում նեյրոնների միաժամանակյա ակտիվացման հետ:

Նոր տարբերակի պատրաստման հիմնական շեշտը դրվել է պարզեցման և օգտագործման հեշտության վրա: Մոտ նորամուծություններ:

• Առաջարկվել է նոր բարձր մակարդակի API մոդելների կառուցման և վերապատրաստման համար Կերաս, որն ապահովում է ինտերֆեյսի մի քանի տարբերակներ մոդելների կառուցման համար (Հաջորդական, Ֆունկցիոնալ, Ենթադասավորում)՝ ունակությամբ անհապաղ իրականացում (առանց նախնական կոմպիլյացիայի) և վրիպազերծման պարզ մեխանիզմով;
• Ավելացվեց API tf.distribute.Strategy կազմակերպման համար բաշխված ուսուցում մոդելներ՝ առկա կոդի նվազագույն փոփոխություններով: Բացի հաշվարկների տարածման հնարավորությունից մի քանի GPU, փորձնական աջակցությունը հասանելի է ուսուցման գործընթացը մի քանի անկախ պրոցեսորների բաժանելու և ամպ օգտագործելու հնարավորության համար TPU (Տենսորի մշակման միավոր);
• tf.Session-ի միջոցով կատարմամբ գծապատկեր կառուցելու դեկլարատիվ մոդելի փոխարեն Python-ում հնարավոր է գրել սովորական ֆունկցիաներ, որոնք, օգտագործելով tf.function-ին կանչելը, կարող են վերածվել գրաֆիկների, այնուհետև հեռակա կերպով կատարել, սերիականացվել կամ օպտիմիզացվել: բարելավված կատարողականության համար;
• Ավելացվեց թարգմանիչ Ավտոգրաֆիկ, որը փոխակերպում է Python հրամանների հոսքը TensorFlow արտահայտությունների՝ թույլ տալով Python կոդը օգտագործել tf.function-decorated, tf.data, tf.distribute և tf.keras ֆունկցիաների ներսում;
• SavedModel-ը միավորում է մոդելի փոխանակման ձևաչափը և ավելացնում է մոդելի վիճակների պահպանման և վերականգնման աջակցություն: TensorFlow-ի համար կազմված մոդելներն այժմ կարող են օգտագործվել TensorFlow Lite (բջջային սարքերի վրա), TensorFlow JS (բրաուզերում կամ Node.js-ում), TensorFlow-ի սպասարկում и TensorFlow Hub;
• tf.train.Optimizers և tf.keras.Optimizers API-ները միավորվել են, compute_gradients-ի փոխարեն առաջարկվել է գրադիենտների հաշվարկման նոր դաս: Գրադիենտ ժապավեն;
• Զգալիորեն ավելացել է կատարումը GPU-ի օգտագործման ժամանակ:
  NVIDIA Volta և Turing GPU-ներով համակարգերի մոդելների ուսուցման արագությունը աճել է մինչև երեք անգամ;

• Իրականացվել է API-ի հիմնական մաքրում, շատ զանգեր վերանվանվել կամ հեռացվել են, օգնական մեթոդների գլոբալ փոփոխականների աջակցությունը դադարեցվել է: tf.app, tf.flags, tf.logging-ի փոխարեն առաջարկվում է նոր absl-py API: Հին API-ի օգտագործումը շարունակելու համար պատրաստվել է compat.v1 մոդուլը:

Source: opennet.ru