მანქანური სწავლების სისტემის გამოშვება TensorFlow 2.0

Გააცნო მანქანათმცოდნეობის პლატფორმის მნიშვნელოვანი გამოშვება TensorFlow 2.0, რომელიც უზრუნველყოფს სხვადასხვა ღრმა მანქანათმცოდნეობის ალგორითმების მზა დანერგვას, მარტივი პროგრამირების ინტერფეისს Python-ში მოდელების შესაქმნელად და დაბალი დონის ინტერფეისს C++ ენისთვის, რომელიც საშუალებას გაძლევთ აკონტროლოთ გამოთვლითი გრაფიკების აგება და შესრულება. სისტემის კოდი იწერება C++ და პითონში და ვრცელდება Apache ლიცენზიით.

პლატფორმა თავდაპირველად შეიქმნა Google Brain-ის გუნდის მიერ და გამოიყენება Google-ის სერვისებში მეტყველების ამოცნობისთვის, ფოტოების სახეების იდენტიფიცირებისთვის, სურათების მსგავსების დასადგენად, სპამის გასაფილტრად Gmail-ში, შერჩევა ახალი ამბები Google News-ში და თარგმანის ორგანიზება მნიშვნელობის გათვალისწინებით. განაწილებული მანქანათმცოდნეობის სისტემები შეიძლება შეიქმნას სტანდარტულ აპარატურაზე, TensorFlow-ის ჩაშენებული მხარდაჭერის წყალობით, გამოთვლების განაწილებისთვის მრავალ CPU-ზე ან GPU-ზე.

TensorFlow უზრუნველყოფს მზა ციფრული გამოთვლის ალგორითმების ბიბლიოთეკას, რომელიც განხორციელებულია მონაცემთა ნაკადის გრაფიკების მეშვეობით. ასეთ გრაფიკებში კვანძები ახორციელებენ მათემატიკურ ოპერაციებს ან შეყვანის/გამოსვლის წერტილებს, ხოლო გრაფის კიდეები წარმოადგენს მრავალგანზომილებიან მონაცემთა მასივებს (ტენსორებს), რომლებიც მიედინება კვანძებს შორის.
კვანძები შეიძლება დაინიშნოს გამოთვლით მოწყობილობებზე და შესრულდეს ასინქრონულად, ერთდროულად დამუშავდეს მათთვის შესაფერისი ყველა თეზორი, რაც შესაძლებელს ხდის ნერვულ ქსელში კვანძების ერთდროული მუშაობის ორგანიზებას ტვინში ნეირონების ერთდროული გააქტიურების ანალოგიით.

ახალი ვერსიის მომზადებისას მთავარი აქცენტი გამარტივებასა და გამოყენების მარტივობაზე გაკეთდა. ზოგიერთი ინოვაციები:

• შემოთავაზებულია ახალი მაღალი დონის API მოდელების მშენებლობისა და ტრენინგისთვის კერას, რომელიც გთავაზობთ რამდენიმე ინტერფეისის ვარიანტს მოდელების მშენებლობისთვის (თანმიმდევრული, ფუნქციური, ქვეკლასირება) შესაძლებლობით დაუყოვნებელი განხორციელება (წინასწარ კომპილაციის გარეშე) და მარტივი გამართვის მექანიზმით;
• დამატებულია API ტფ.გავრცელება.სტრატეგია ორგანიზაციისთვის განაწილებული სწავლა მოდელები მინიმალური ცვლილებებით არსებულ კოდში. გარდა გამოთვლების გავრცელების შესაძლებლობისა მრავალი GPU, ხელმისაწვდომია ექსპერიმენტული მხარდაჭერა სასწავლო პროცესის რამდენიმე დამოუკიდებელ პროცესორად დაყოფისთვის და ღრუბლის გამოყენების შესაძლებლობისთვის TPU (ტენზორის დამუშავების ერთეული);
• tf.Session-ის მეშვეობით შესრულებით გრაფიკის აგების დეკლარაციული მოდელის ნაცვლად, შესაძლებელია Python-ში ჩვეულებრივი ფუნქციების დაწერა, რომლებიც tf.function-ზე გამოძახების გამოყენებით, შეიძლება გარდაიქმნას გრაფიკებად და შემდეგ დისტანციურად შესრულდეს, სერიულად ან ოპტიმიზდეს. გაუმჯობესებული შესრულებისთვის;
• დამატებულია თარჯიმანი ავტოგრაფი, რომელიც გარდაქმნის პითონის ბრძანებების ნაკადს TensorFlow გამონათქვამებად, რაც საშუალებას აძლევს პითონის კოდის გამოყენებას tf.function-decorated, tf.data, tf.distribute და tf.keras ფუნქციებში;
• SavedModel აერთიანებს მოდელის გაცვლის ფორმატს და ამატებს მხარდაჭერას მოდელის მდგომარეობის შესანახად და აღდგენისთვის. TensorFlow-ისთვის შედგენილი მოდელები ახლა შეიძლება გამოყენებულ იქნას TensorFlow Lite (მობილურ მოწყობილობებზე), TensorFlow JS (ბრაუზერში ან Node.js-ში), TensorFlow სერვისი и TensorFlow Hub;
• tf.train.Optimizers და tf.keras.Optimizers API-ები გაერთიანდა; compute_gradients-ის ნაცვლად, შემოთავაზებულია ახალი კლასი გრადიენტების გამოსათვლელად. გრადიენტური ლენტი;
• მნიშვნელოვნად გაიზარდა შესრულება GPU-ს გამოყენებისას.
  მოდელის ტრენინგის სიჩქარე NVIDIA Volta და Turing GPU-ის მქონე სისტემებზე სამჯერ გაიზარდა;

• Განახორციელა ძირითადი API გასუფთავება, მრავალი ზარის სახელი გადარქმეული ან წაშლილი, დამხმარე მეთოდებში გლობალური ცვლადების მხარდაჭერა შეწყდა. tf.app, tf.flags, tf.logging ნაცვლად, შემოთავაზებულია ახალი absl-py API. ძველი API-ის გამოყენების გასაგრძელებლად მომზადდა compat.v1 მოდული.

წყარო: opennet.ru