머신러닝 시스템 TensorFlow 2.0 출시

도입 머신러닝 플랫폼의 대폭 출시 텐서 플로우 2.0이는 다양한 딥 머신 러닝 알고리즘의 기성 구현, Python에서 모델 구축을 위한 간단한 프로그래밍 인터페이스, 계산 그래프의 구성 및 실행을 제어할 수 있는 C++ 언어용 하위 수준 인터페이스를 제공합니다. 시스템 코드는 C++와 Python으로 작성되었으며 배포자 Apache 라이센스에 따라.

이 플랫폼은 원래 Google Brain 팀에 의해 개발되었으며 음성 인식, 사진 속 얼굴 식별, 이미지 유사성 판단, Gmail에서 스팸 필터링, 선택 Google 뉴스의 뉴스와 의미를 고려하여 번역을 구성합니다. 여러 CPU 또는 GPU에 계산을 분산시키기 위한 TensorFlow의 내장 지원 덕분에 분산 머신러닝 시스템을 표준 하드웨어에서 생성할 수 있습니다.

TensorFlow는 데이터 흐름 그래프를 통해 구현된 기성 수치 계산 알고리즘 라이브러리를 제공합니다. 이러한 그래프의 노드는 수학적 연산이나 입출력 지점을 구현하는 반면, 그래프의 가장자리는 노드 사이를 흐르는 다차원 데이터 배열(텐서)을 나타냅니다.
노드는 컴퓨팅 장치에 할당되고 비동기식으로 실행될 수 있으며, 이에 적합한 모든 이론을 동시에 처리할 수 있으므로 뇌의 뉴런이 동시에 활성화되는 것과 유사하게 신경망에서 노드의 동시 작동을 구성할 수 있습니다.

새 버전을 준비하면서 가장 중점을 둔 점은 단순화와 사용 편의성이었습니다. 약 혁신:

• 모델 구축 및 학습을 위한 새로운 고급 API가 제안되었습니다. 케 라스, 모델 구축을 위한 여러 인터페이스 옵션(순차적, 기능적, 하위 클래스화)을 제공합니다. 즉각적인 구현 (사전 컴파일 없이) 간단한 디버깅 메커니즘을 사용합니다.
• API 추가 tf.distribute.전략 조직을 위해 분산 학습 기존 코드를 최소한으로 변경한 모델. 계산을 여러 곳으로 분산시킬 수 있는 가능성 외에도 다중 GPU, 학습 과정을 여러 개의 독립적인 프로세서로 나누고 클라우드를 사용할 수 있는 능력을 실험적으로 지원 가능 TPU (텐서 처리 장치);
• tf.Session을 통해 실행하여 그래프를 구성하는 선언적 모델 대신 Python에서 일반 함수를 작성하는 것이 가능합니다. 이 함수는 tf.function 호출을 사용하여 그래프로 변환한 다음 원격으로 실행, 직렬화 또는 최적화할 수 있습니다. 성능 향상을 위해;
• 번역기 추가 자필, Python 명령 스트림을 TensorFlow 표현식으로 변환하여 Python 코드를 tf.function-designated, tf.data, tf.distribute 및 tf.keras 함수 내에서 사용할 수 있도록 합니다.
• SavedModel은 모델 교환 형식을 통합하고 모델 상태 저장 및 복원에 대한 지원을 추가합니다. TensorFlow용으로 컴파일된 모델은 이제 다음에서 사용할 수 있습니다. TensorFlow Lite (모바일 장치에서), 텐서플로우 JS (브라우저 또는 Node.js에서), 텐서 플로우 서빙 и 텐서플로우 허브;
• tf.train.Optimizers 및 tf.keras.Optimizers API가 통합되었습니다; Compute_gradients 대신 경사 계산을 위한 새로운 클래스가 제안되었습니다. 그라데이션 테이프;
• GPU를 사용할 때 성능이 크게 향상되었습니다.
  NVIDIA Volta 및 Turing GPU가 탑재된 시스템의 모델 훈련 속도는 최대 XNUMX배 향상되었습니다.

• 실시 주요 API 정리, 많은 호출 이름 변경 또는 제거, 도우미 메서드의 전역 변수 지원이 중단되었습니다. tf.app, tf.flags, tf.logging 대신 새로운 absl-py API가 제안되었습니다. 이전 API를 계속 사용하기 위해 compat.v1 모듈을 준비했습니다.

출처 : opennet.ru