ການປ່ອຍລະບົບການຮຽນຮູ້ເຄື່ອງຈັກ TensorFlow 2.0

ແນະນຳ ການປ່ອຍທີ່ສໍາຄັນຂອງເວທີການຮຽນຮູ້ເຄື່ອງຈັກ TensorFlow 2.0, ເຊິ່ງສະຫນອງການກຽມພ້ອມສໍາລັບການປະຕິບັດຂັ້ນຕອນຂອງການຮຽນຮູ້ເຄື່ອງຈັກເລິກຕ່າງໆ, ການໂຕ້ຕອບການຂຽນໂປລແກລມແບບງ່າຍໆສໍາລັບຕົວແບບໃນ Python, ແລະການໂຕ້ຕອບລະດັບຕ່ໍາສໍາລັບພາສາ C ++ ທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດຄວບຄຸມການກໍ່ສ້າງແລະປະຕິບັດກາຟການຄິດໄລ່. ລະ​ຫັດ​ລະ​ບົບ​ໄດ້​ຖືກ​ຂຽນ​ໄວ້​ໃນ C ++ ແລະ Python ແລະ​ ແຈກຢາຍໂດຍ ພາຍໃຕ້ໃບອະນຸຍາດ Apache.

ເວທີດັ່ງກ່າວໄດ້ຖືກພັດທະນາໃນເບື້ອງຕົ້ນໂດຍທີມງານ Google Brain ແລະຖືກນໍາໃຊ້ໃນການບໍລິການຂອງ Google ສໍາລັບການຮັບຮູ້ສຽງເວົ້າ, ການກໍານົດໃບຫນ້າໃນຮູບ, ກໍານົດຄວາມຄ້າຍຄືກັນຂອງຮູບພາບ, ການກັ່ນຕອງຂີ້ເຫຍື້ອໃນ Gmail, ການຄັດເລືອກ ຂ່າວໃນ Google News ແລະຈັດຕັ້ງການແປໂດຍຄໍານຶງເຖິງຄວາມຫມາຍ. ລະບົບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ແຈກຢາຍສາມາດຖືກສ້າງຂື້ນໃນຮາດແວມາດຕະຖານ, ຍ້ອນການສະຫນັບສະຫນູນໃນຕົວຂອງ TensorFlow ສໍາລັບການແຈກຢາຍການຄິດໄລ່ໃນທົ່ວ CPUs ຫຼື GPUs ຫຼາຍ.

TensorFlow ສະຫນອງຫ້ອງສະຫມຸດຂອງສູດການຄິດໄລ່ຕົວເລກທີ່ກຽມພ້ອມທີ່ປະຕິບັດໂດຍຜ່ານເສັ້ນສະແດງຂໍ້ມູນ. nodes ໃນກາຟດັ່ງກ່າວປະຕິບັດການດໍາເນີນການທາງຄະນິດສາດຫຼື input / output ຈຸດ, ໃນຂະນະທີ່ຂອບຂອງເສັ້ນສະແດງຂໍ້ມູນຫຼາຍມິຕິລະດັບ arrays (tensors) ທີ່ໄຫຼລະຫວ່າງ nodes.
ໂນດສາມາດຖືກມອບຫມາຍໃຫ້ອຸປະກອນຄອມພິວເຕີ້ແລະປະຕິບັດແບບບໍ່ກົງກັນ, ພ້ອມກັນປະມວນຜົນ thesors ທັງຫມົດທີ່ເຫມາະສົມກັບພວກມັນໃນເວລາດຽວກັນ, ເຊິ່ງເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະຈັດລະບຽບການເຮັດວຽກພ້ອມໆກັນຂອງ nodes ໃນເຄືອຂ່າຍ neural ໂດຍການປຽບທຽບກັບການກະຕຸ້ນພ້ອມໆກັນຂອງ neurons ໃນສະຫມອງ.

ຈຸດ​ສຸມ​ຕົ້ນ​ຕໍ​ໃນ​ການ​ກະ​ກຽມ​ສະ​ບັບ​ໃຫມ່​ແມ່ນ​ກ່ຽວ​ກັບ​ການ​ງ່າຍ​ແລະ​ງ່າຍ​ຂອງ​ການ​ນໍາ​ໃຊ້​. ບາງຄົນ ນະວັດຕະກໍາ:

• API ລະດັບສູງໃຫມ່ໄດ້ຖືກສະເຫນີສໍາລັບຮູບແບບການກໍ່ສ້າງແລະການຝຶກອົບຮົມ Keras, ເຊິ່ງສະຫນອງທາງເລືອກໃນການໂຕ້ຕອບຫຼາຍສໍາລັບການສ້າງແບບຈໍາລອງ (Sequential, Functional, Subclassing) ມີຄວາມສາມາດທີ່ຈະ ການ​ປະ​ຕິ​ບັດ​ທັນ​ທີ​ທັນ​ໃດ​ (ໂດຍບໍ່ມີການລວບລວມຂໍ້ມູນລ່ວງຫນ້າ) ແລະມີກົນໄກການດີບັກທີ່ງ່າຍດາຍ;
• ເພີ່ມ API tf.distribute.ຍຸດທະສາດ ສໍາລັບອົງການຈັດຕັ້ງ ການ​ຮຽນ​ຮູ້​ແຈກ​ຢາຍ​ ແບບຈໍາລອງທີ່ມີການປ່ຽນແປງຫນ້ອຍທີ່ສຸດກັບລະຫັດທີ່ມີຢູ່. ນອກເຫນືອໄປຈາກຄວາມເປັນໄປໄດ້ຂອງການແຜ່ກະຈາຍການຄິດໄລ່ໃນທົ່ວ GPU ຫຼາຍອັນ, ການຊ່ວຍເຫຼືອໃນການທົດລອງແມ່ນມີຢູ່ສໍາລັບການແບ່ງຂະບວນການການຮຽນຮູ້ເຂົ້າໄປໃນໂປເຊດເຊີເອກະລາດຈໍານວນຫນຶ່ງແລະຄວາມສາມາດໃນການນໍາໃຊ້ເມຄ TPU (ຫນ່ວຍປະມວນຜົນ tensor);
• ແທນທີ່ຈະເປັນຕົວແບບການປະກາດຂອງການສ້າງກຣາຟທີ່ມີການປະຕິບັດຜ່ານ tf.Session, ມັນເປັນໄປໄດ້ທີ່ຈະຂຽນຟັງຊັນທໍາມະດາໃນ Python, ເຊິ່ງ, ການນໍາໃຊ້ການໂທໄປຫາ tf.function, ສາມາດປ່ຽນເປັນກາຟແລະຫຼັງຈາກນັ້ນດໍາເນີນການຫ່າງໄກສອກຫຼີກ, serialized, ຫຼື optimized. ສໍາລັບການປັບປຸງປະສິດທິພາບ;
• ເພີ່ມຕົວແປແລ້ວ AutoGraph, ເຊິ່ງປ່ຽນ stream ຂອງຄໍາສັ່ງ Python ເຂົ້າໄປໃນການສະແດງ TensorFlow, ອະນຸຍາດໃຫ້ລະຫັດ Python ຖືກນໍາໃຊ້ພາຍໃນຟັງຊັນ tf.function-decorated, tf.data, tf.distribute, ແລະ tf.keras;
• SavedModel ຮວມຮູບແບບການແລກປ່ຽນຕົວແບບ ແລະເພີ່ມການຮອງຮັບການປະຢັດ ແລະຟື້ນຟູສະຖານະຕົວແບບ. ຮູບແບບທີ່ລວບລວມສໍາລັບ TensorFlow ໃນປັດຈຸບັນສາມາດຖືກນໍາໃຊ້ໃນ TensorFlow Lite (ໃນ​ອຸ​ປະ​ກອນ​ມື​ຖື​)​, TensorFlow JS (ໃນ browser ຫຼື Node.js), ການໃຫ້ບໍລິການ TensorFlow и TensorFlow Hub;
• tf.train.Optimizers ແລະ tf.keras.Optimizers APIs ໄດ້ຖືກລວມເຂົ້າກັນ; ແທນທີ່ຈະເປັນ compute_gradients, ຫ້ອງຮຽນໃຫມ່ໄດ້ຖືກສະເຫນີສໍາລັບການຄິດໄລ່ gradients Gradient Tape;
• ປະສິດທິພາບເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍເມື່ອໃຊ້ GPU.
  ຄວາມໄວຂອງການຝຶກອົບຮົມແບບຈໍາລອງກ່ຽວກັບລະບົບທີ່ມີ NVIDIA Volta ແລະ Turing GPUs ໄດ້ເພີ່ມຂຶ້ນເຖິງສາມເທົ່າ;

• ປະຕິບັດ ການເຮັດຄວາມສະອາດ API ທີ່ສໍາຄັນ, ການໂທຈໍານວນຫຼາຍໄດ້ປ່ຽນຊື່ຫຼືເອົາອອກ, ການສະຫນັບສະຫນູນຕົວແປທົ່ວໂລກໃນວິທີການຜູ້ຊ່ວຍຢຸດເຊົາ. ແທນທີ່ຈະເປັນ tf.app, tf.flags, tf.logging, API absl-py ໃຫມ່ແມ່ນສະເຫນີ. ເພື່ອສືບຕໍ່ນຳໃຊ້ API ເກົ່າ, ໂມດູນ compat.v1 ໄດ້ຖືກກະກຽມແລ້ວ.

ແຫຼ່ງຂໍ້ມູນ: opennet.ru