Објавување на системот за машинско учење TensorFlow 2.0

Воведени значително ослободување на платформата за машинско учење TensorFlow 2.0, кој обезбедува готови имплементации на различни алгоритми за длабоко машинско учење, едноставен програмски интерфејс за градење модели во Python и интерфејс на ниско ниво за јазикот C++ кој ви овозможува да ја контролирате изградбата и извршувањето на пресметковните графикони. Системскиот код е напишан во C++ и Python и дистрибуирани од под лиценцата Apache.

Платформата првично беше развиена од тимот на Google Brain и се користи во услугите на Google за препознавање говор, идентификување лица на фотографии, одредување сличност на сликите, филтрирање на спам во Gmail, селекција вести во Google News и организирање на превод земајќи го предвид значењето. Дистрибуираните системи за машинско учење може да се креираат на стандарден хардвер, благодарение на вградената поддршка на TensorFlow за дистрибуција на пресметките низ повеќе процесори или графички процесори.

TensorFlow обезбедува библиотека на готови алгоритми за нумеричка пресметка имплементирани преку графикони за проток на податоци. Јазлите во таквите графикони спроведуваат математички операции или влезно/излезни точки, додека рабовите на графикот претставуваат повеќедимензионални податочни низи (тензори) кои течат помеѓу јазлите.
Јазлите може да се доделат на компјутерски уреди и да се извршат асинхроно, истовремено обработувајќи ги сите тезори погодни за нив одеднаш, што овозможува да се организира истовремена работа на јазлите во невронската мрежа по аналогија со истовремено активирање на невроните во мозокот.

Главниот фокус во подготовката на новата верзија беше на поедноставување и леснотија на користење. Некои иновации:

• Нов API на високо ниво е предложен за модели за градење и обука Керас, кој обезбедува неколку опции за интерфејс за градење модели (Секвенцијален, функционален, подкласирање) со можност за итна имплементација (без преткомпилација) и со едноставен механизам за дебагирање;
• Додадено API тф.дистрибуира.Стратегија за организација дистрибуирано учење модели со минимални промени на постоечкиот код. Во прилог на можноста за ширење на пресметките низ повеќе графички процесори, достапна е експериментална поддршка за поделба на процесот на учење на неколку независни процесори и можност за користење облак TPU (Единица за обработка на тензор);
• Наместо декларативен модел за конструирање график со извршување преку tf.Session, можно е да се напишат обични функции во Python, кои, користејќи повик до tf.function, може да се претворат во графикони, а потоа далечински да се извршат, серилизираат или оптимизираат за подобрени перформанси;
• Додаден преведувач Автографски график, кој конвертира поток од команди на Python во изрази на TensorFlow, дозволувајќи им на Python кодот да се користи во функциите tf.function-decorated, tf.data, tf.distribute и tf.keras;
• SavedModel го обединува форматот за размена на модели и додава поддршка за зачувување и враќање на состојбите на моделот. Моделите компајлирани за TensorFlow сега може да се користат во TensorFlow Lite (на мобилни уреди), TensorFlow JS (во прелистувач или Node.js), Сервирање на TensorFlow и TensorFlow Hub;
• Tf.train.Optimizers и tf.keras.Optimizers API се унифицирани; наместо compute_gradients, предложена е нова класа за пресметување на градиенти Градиентна лента;
• Значително зголемени перформанси при користење на графичкиот процесор.
  Брзината на обука на модели на системи со NVIDIA Volta и Turing графички процесори се зголеми до три пати;

• Извршено Големо чистење на API, многу повици преименувани или отстранети, поддршката за глобалните променливи во помошните методи е прекината. Наместо tf.app, tf.flags, tf.logging, се предлага ново absl-py API. За да продолжите да го користите стариот API, подготвен е модулот compat.v1.

Извор: opennet.ru