שחרור מערכת למידת מכונה TensorFlow 2.0

שהוגש על ידי שחרור משמעותי של פלטפורמת למידת מכונה TensorFlow 2.0, המספקת הטמעות מוכנות של אלגוריתמים שונים של למידת מכונה עמוקה, ממשק תכנות פשוט לבניית מודלים ב-Python, וממשק ברמה נמוכה לשפת C++ המאפשר לשלוט בבנייה וביצוע של גרפים חישוביים. קוד המערכת כתוב ב-C++ וב-Python ו מופץ על ידי תחת רישיון אפאצ'י.

הפלטפורמה פותחה במקור על ידי צוות Google Brain ומשמשת בשירותי גוגל לזיהוי דיבור, זיהוי פנים בתמונות, קביעת הדמיון של תמונות, סינון דואר זבל ב-Gmail, בחירה חדשות ב-Google News וארגון התרגום תוך התחשבות במשמעות. ניתן ליצור מערכות למידת מכונה מבוזרות על חומרה סטנדרטית, הודות לתמיכה המובנית של TensorFlow להפצת חישובים על פני מספר CPUs או GPUs.

TensorFlow מספקת ספרייה של אלגוריתמי חישוב מספריים מוכנים המיושמים באמצעות גרפים של זרימת נתונים. צמתים בגרפים כאלה מיישמים פעולות מתמטיות או נקודות קלט/פלט, בעוד שקצוות הגרף מייצגים מערכי נתונים רב-ממדיים (טנסורים) הזורמים בין צמתים.
ניתן להקצות צמתים למכשירי מחשוב ולבצע אותם באופן אסינכרוני, תוך עיבוד בו-זמנית של כל התזורים המתאימים להם בבת אחת, מה שמאפשר לארגן את הפעולה בו-זמנית של צמתים ברשת עצבית באנלוגיה להפעלה בו-זמנית של נוירונים במוח.

ההתמקדות העיקרית בהכנת הגרסה החדשה הייתה על פישוט וקלות שימוש. כמה חידושים:

• API חדש ברמה גבוהה הוצע לבניית מודלים והדרכה קרס, המספק מספר אפשרויות ממשק לבניית מודלים (Sequential, Functional, Subclassing) עם היכולת יישום מיידי (ללא קומפילציה מוקדמת) ועם מנגנון איתור באגים פשוט;
• נוסף API tf.distribute.Strategy לארגון למידה מבוזרת דגמים עם שינויים מינימליים בקוד הקיים. בנוסף לאפשרות לפזר חישובים על פני מספר GPUs, תמיכה ניסיונית זמינה לחלוקת תהליך הלמידה למספר מעבדים עצמאיים ויכולת להשתמש בענן TPU (יחידת עיבוד טנזור);
• במקום מודל הצהרתי של בניית גרף עם ביצוע באמצעות tf.Session, אפשר לכתוב ב-Python פונקציות רגילות, שבאמצעות קריאה ל-tf.function ניתן להמיר אותן לגרפים ולאחר מכן לבצע אותן מרחוק, לבצע אותן בסידרה או לבצע אופטימיזציה שלהן. לשיפור הביצועים;
• נוסף מתרגם חֲתִימָה, הממיר זרם של פקודות Python לביטויי TensorFlow, ומאפשר להשתמש בקוד Python בתוך פונקציות tf.function-decorated, tf.data, tf.distribute ו-tf.keras;
• SavedModel מאחד את פורמט החלפת המודל ומוסיף תמיכה בשמירה ושחזור של מצבי מודל. כעת ניתן להשתמש במודלים שנאספו עבור TensorFlow TensorFlow Lite (במכשירים ניידים), TensorFlow JS (בדפדפן או ב-Node.js), הגשת TensorFlow и TensorFlow Hub;
• ממשקי ה-API של tf.train.Optimizers ו-tf.keras.Optimizers אוחדו; במקום compute_gradients, הוצעה מחלקה חדשה לחישוב מעברים קלטת צבע;
• ביצועים מוגברים באופן משמעותי בעת שימוש ב-GPU.
  המהירות של אימון מודלים במערכות עם NVIDIA Volta ו-Turing GPUs גדלה עד פי שלושה;

• בוצע ניקוי API עיקרי, שיחות רבות שונו או הוסרו, התמיכה במשתנים גלובליים בשיטות עוזר הופסקה. במקום tf.app, tf.flags, tf.logging, מוצע API חדש של absl-py. כדי להמשיך להשתמש ב-API הישן, מודול compat.v1 הוכן.

מקור: OpenNet.ru