rilis signifikan platform pembelajaran mesin , yang menyediakan implementasi siap pakai dari berbagai algoritme pembelajaran mesin mendalam, antarmuka pemrograman sederhana untuk membuat model dengan Python, dan antarmuka tingkat rendah untuk bahasa C++ yang memungkinkan Anda mengontrol konstruksi dan eksekusi grafik komputasi. Kode sistem ditulis dalam C++ dan Python dan di bawah lisensi Apache.
Platform ini awalnya dikembangkan oleh tim Google Brain dan digunakan di layanan Google untuk pengenalan suara, mengidentifikasi wajah dalam foto, menentukan kemiripan gambar, menyaring spam di Gmail, berita di Google Berita dan mengatur terjemahan dengan mempertimbangkan maknanya. Sistem pembelajaran mesin terdistribusi dapat dibuat pada perangkat keras standar, berkat dukungan bawaan TensorFlow untuk mendistribusikan penghitungan ke beberapa CPU atau GPU.
TensorFlow menyediakan perpustakaan algoritma penghitungan numerik siap pakai yang diimplementasikan melalui grafik aliran data. Node dalam grafik tersebut menerapkan operasi matematika atau titik input/output, sedangkan tepi grafik mewakili larik data multidimensi (tensor) yang mengalir antar node.
Node dapat ditugaskan ke perangkat komputasi dan dieksekusi secara asinkron, secara bersamaan memproses semua sensor yang cocok untuknya sekaligus, yang memungkinkan pengorganisasian operasi simultan node dalam jaringan saraf dengan analogi dengan aktivasi simultan neuron di otak.
Fokus utama dalam mempersiapkan versi baru ini adalah pada penyederhanaan dan kemudahan penggunaan. :
- API tingkat tinggi baru telah diusulkan untuk membangun dan melatih model , yang menyediakan beberapa opsi antarmuka untuk membangun model (Berurutan, Fungsional, Subkelas) dengan kemampuan (tanpa pra-kompilasi) dan dengan mekanisme debugging sederhana;
- Menambahkan API untuk organisasi model dengan sedikit perubahan pada kode yang ada. Selain kemungkinan menyebarkan perhitungan ke seluruh penjuru , tersedia dukungan eksperimental untuk membagi proses pembelajaran menjadi beberapa prosesor independen dan kemampuan untuk menggunakan cloud (Unit pemrosesan tensor);
- Alih-alih model deklaratif membuat grafik dengan eksekusi melalui tf.Session, dimungkinkan untuk menulis fungsi biasa dengan Python, yang, dengan menggunakan panggilan ke tf.function, dapat diubah menjadi grafik dan kemudian dieksekusi, diserialkan, atau dioptimalkan dari jarak jauh. untuk peningkatan kinerja;
- Menambahkan penerjemah , yang mengubah aliran perintah Python menjadi ekspresi TensorFlow, sehingga memungkinkan kode Python digunakan di dalam fungsi tf.function-decorated, tf.data, tf.distribute, dan tf.keras;
- SavedModel menyatukan format pertukaran model dan menambahkan dukungan untuk menyimpan dan memulihkan status model. Model yang dikompilasi untuk TensorFlow kini dapat digunakan (di perangkat seluler), (di browser atau Node.js), ΠΈ ;
- API tf.train.Optimizers dan tf.keras.Optimizers telah disatukan; sebagai ganti compute_gradients, kelas baru telah diusulkan untuk menghitung gradien ;
- Peningkatan performa secara signifikan saat menggunakan GPU.
Kecepatan pelatihan model pada sistem dengan GPU NVIDIA Volta dan Turing telah meningkat hingga tiga kali lipat; - Pembersihan API besar-besaran, banyak panggilan diganti namanya atau dihapus, dukungan untuk variabel global dalam metode pembantu dihentikan. Alih-alih tf.app, tf.flags, tf.logging, API absl-py baru diusulkan. Untuk terus menggunakan API lama, modul compat.v1 telah disiapkan.
Sumber: opennet.ru