reikšmingas mašininio mokymosi platformos leidimas , kuriame pateikiami paruošti įvairių giluminio mašininio mokymosi algoritmų diegimai, paprasta programavimo sąsaja, skirta modeliams kurti Python, ir žemo lygio sąsaja C++ kalbai, kuri leidžia valdyti skaičiavimo grafikų konstravimą ir vykdymą. Sistemos kodas parašytas C++ ir Python ir pagal Apache licenciją.
Platformą iš pradžių sukūrė „Google Brain“ komanda ir ji naudojama „Google“ paslaugose, skirtose kalbos atpažinimui, veidų atpažinimui nuotraukose, vaizdų panašumui nustatyti, „Gmail“ pašto šiukšlėms filtruoti, naujienas „Google“ naujienose ir organizuojant vertimą atsižvelgiant į prasmę. Paskirstytos mašininio mokymosi sistemos gali būti sukurtos naudojant standartinę aparatinę įrangą dėl „TensorFlow“ integruoto palaikymo, skirto paskirstyti skaičiavimus keliuose CPU arba GPU.
„TensorFlow“ pateikia paruoštų skaitmeninių skaičiavimo algoritmų biblioteką, įdiegtą naudojant duomenų srauto grafikus. Tokių grafikų mazgai įgyvendina matematines operacijas arba įvesties/išvesties taškus, o grafiko kraštai vaizduoja daugiamačius duomenų masyvus (tenzorius), kurie teka tarp mazgų.
Mazgai gali būti priskirti skaičiavimo įrenginiams ir vykdomi asinchroniškai, vienu metu apdorojant visus jiems tinkamus tesorius vienu metu, o tai leidžia organizuoti vienalaikį mazgų veikimą neuroniniame tinkle pagal analogiją su vienu metu vykstančių neuronų aktyvavimu smegenyse.
Rengiant naują versiją pagrindinis dėmesys buvo skiriamas supaprastinimui ir naudojimo patogumui. :
- Buvo pasiūlyta nauja aukšto lygio API modeliams kurti ir mokyti , kuriame pateikiamos kelios sąsajos parinktys pastatų modeliams (nuoseklus, funkcinis, subklasiavimas) su galimybe (be išankstinio kompiliavimo) ir su paprastu derinimo mechanizmu;
- Pridėta API už organizavimą modeliai su minimaliais esamo kodo pakeitimais. Be galimybės paskleisti skaičiavimus , galima eksperimentinė pagalba padalinti mokymosi procesą į kelis nepriklausomus procesorius ir galimybę naudoti debesį (Tensor apdorojimo blokas);
- Vietoj deklaratyvaus modelio sudaryti grafiką su vykdymu per tf.Session, Python galima rašyti įprastas funkcijas, kurias naudojant iškvietimą į tf.function galima konvertuoti į grafikus ir nuotoliniu būdu vykdyti, serializuoti arba optimizuoti. geresniam našumui;
- Pridėtas vertėjas , kuris konvertuoja Python komandų srautą į TensorFlow išraiškas, leidžiančias Python kodą naudoti funkcijose tf.function-decorated, tf.data, tf.distribute ir tf.keras;
- „SavedModel“ suvienija modelių mainų formatą ir prideda modelio būsenų išsaugojimo ir atkūrimo palaikymą. Dabar galima naudoti „TensorFlow“ sukurtus modelius (mobiliuosiuose įrenginiuose), (naršyklėje arba Node.js), и ;
- tf.train.Optimizers ir tf.keras.Optimizers API buvo suvienodintos; vietoj compute_gradients buvo pasiūlyta nauja klasė gradientams skaičiuoti ;
- Žymiai padidintas našumas naudojant GPU.
Modelių mokymo greitis sistemose su NVIDIA Volta ir Turing GPU padidėjo iki trijų kartų; - Pagrindinis API išvalymas, daug skambučių pervadinti arba pašalinti, visuotinių kintamųjų palaikymas pagalbiniuose metoduose sustabdytas. Vietoj tf.app, tf.flags, tf.logging siūloma nauja absl-py API. Norint toliau naudoti seną API, buvo paruoštas compat.v1 modulis.
Šaltinis: opennet.ru