ievērojama mašīnmācīšanās platformas izlaišana , kas nodrošina dažādu dziļās mašīnmācīšanās algoritmu gatavas implementācijas, vienkāršu programmēšanas interfeisu modeļu veidošanai Python un zema līmeņa saskarni C++ valodai, kas ļauj kontrolēt skaitļošanas grafiku uzbūvi un izpildi. Sistēmas kods ir rakstīts C++ un Python un saskaņā ar Apache licenci.
Platformu sākotnēji izstrādāja Google Brain komanda, un tā tiek izmantota Google pakalpojumos runas atpazīšanai, seju identificēšanai fotogrāfijās, attēlu līdzības noteikšanai, surogātpasta filtrēšanai pakalpojumā Gmail, jaunumus Google ziņās un tulkošanas organizēšanu, ņemot vērā nozīmi. Sadalītās mašīnmācīšanās sistēmas var izveidot uz standarta aparatūras, pateicoties TensorFlow iebūvētajam atbalstam aprēķinu sadalei pa vairākiem CPU vai GPU.
TensorFlow nodrošina gatavu skaitlisko aprēķinu algoritmu bibliotēku, kas realizēta, izmantojot datu plūsmas grafikus. Mezgli šādos grafikos īsteno matemātiskas darbības vai ievades/izvades punktus, savukārt diagrammas malas attēlo daudzdimensiju datu masīvus (tensorus), kas plūst starp mezgliem.
Mezglus var piešķirt skaitļošanas ierīcēm un izpildīt asinhroni, vienlaikus apstrādājot visus tiem piemērotos teorus, kas ļauj organizēt vienlaicīgu mezglu darbību neironu tīklā pēc analoģijas ar vienlaicīgu neironu aktivizēšanu smadzenēs.
Jaunās versijas sagatavošanā galvenā uzmanība tika pievērsta vienkāršošanai un lietošanas vienkāršībai. :
- Ir ierosināta jauna augsta līmeņa API modeļu veidošanai un apmācībai , kas nodrošina vairākas saskarnes iespējas ēku modeļiem (secīgi, funkcionāli, apakšklase) ar iespēju (bez iepriekšējas kompilācijas) un ar vienkāršu atkļūdošanas mehānismu;
- Pievienots API organizēšanai modeļi ar minimālām izmaiņām esošajā kodā. Papildus iespējai izplatīt aprēķinus , ir pieejams eksperimentāls atbalsts mācību procesa sadalīšanai vairākos neatkarīgos procesoros un mākoņa izmantošanas iespējai (Tensora apstrādes iekārta);
- Deklaratīva modeļa vietā grafa konstruēšanai ar izpildi, izmantojot tf.Session, Python ir iespējams rakstīt parastas funkcijas, kuras, izmantojot tf.function izsaukumu, var pārvērst grafikos un pēc tam attālināti izpildīt, serializēt vai optimizēt. uzlabotai veiktspējai;
- Pievienots tulkotājs , kas pārvērš Python komandu straumi TensorFlow izteiksmēs, ļaujot Python kodu izmantot funkcijās tf.function-decorated, tf.data, tf.distribute un tf.keras;
- SavedModel apvieno modeļu apmaiņas formātu un pievieno atbalstu modeļa stāvokļu saglabāšanai un atjaunošanai. Tagad var izmantot TensorFlow apkopotos modeļus (mobilajās ierīcēs), (pārlūkprogrammā vai Node.js), и ;
- API tf.train.Optimizers un tf.keras.Optimizers ir apvienotas; compute_gradients vietā ir piedāvāta jauna klase gradientu aprēķināšanai. ;
- Ievērojami palielināta veiktspēja, izmantojot GPU.
Modeļu apmācības ātrums sistēmās ar NVIDIA Volta un Turing GPU ir palielinājies līdz trīs reizēm; - Liela API tīrīšana, daudzi zvani pārdēvēti vai noņemti, globālo mainīgo atbalsts palīgmetodēs pārtraukts. Tf.app, tf.flags, tf.logging vietā tiek piedāvāta jauna absl-py API. Lai turpinātu lietot veco API, ir sagatavots modulis compat.v1.
Avots: opennet.ru