മെഷീൻ ലേണിംഗ് സിസ്റ്റത്തിന്റെ പ്രകാശനം TensorFlow 2.0

സമർപ്പിച്ചത് മെഷീൻ ലേണിംഗ് പ്ലാറ്റ്‌ഫോമിൻ്റെ ശ്രദ്ധേയമായ പ്രകാശനം ടെൻസർഫ്ലോ 2.0, വിവിധ ആഴത്തിലുള്ള മെഷീൻ ലേണിംഗ് അൽഗോരിതങ്ങളുടെ റെഡിമെയ്ഡ് നിർവ്വഹണങ്ങൾ, പൈത്തണിൽ മോഡലുകൾ നിർമ്മിക്കുന്നതിനുള്ള ലളിതമായ പ്രോഗ്രാമിംഗ് ഇൻ്റർഫേസ്, കമ്പ്യൂട്ടേഷണൽ ഗ്രാഫുകളുടെ നിർമ്മാണവും നിർവ്വഹണവും നിയന്ത്രിക്കാൻ നിങ്ങളെ അനുവദിക്കുന്ന C++ ഭാഷയ്ക്കുള്ള ലോ-ലെവൽ ഇൻ്റർഫേസ് എന്നിവ നൽകുന്നു. സിസ്റ്റം കോഡ് C++, Python എന്നിവയിൽ എഴുതിയിരിക്കുന്നു വിതരണം ചെയ്തത് അപ്പാച്ചെ ലൈസൻസിന് കീഴിൽ.

ഗൂഗിൾ ബ്രെയിൻ ടീമാണ് ഈ പ്ലാറ്റ്ഫോം ആദ്യം വികസിപ്പിച്ചെടുത്തത്, സംഭാഷണം തിരിച്ചറിയുന്നതിനും ഫോട്ടോഗ്രാഫുകളിലെ മുഖങ്ങൾ തിരിച്ചറിയുന്നതിനും ചിത്രങ്ങളുടെ സമാനത നിർണ്ണയിക്കുന്നതിനും ജിമെയിലിലെ സ്പാം ഫിൽട്ടർ ചെയ്യുന്നതിനും ഗൂഗിൾ സേവനങ്ങളിൽ ഇത് ഉപയോഗിക്കുന്നു. തിരഞ്ഞെടുപ്പ് Google വാർത്തയിലെ വാർത്തകളും അർത്ഥം കണക്കിലെടുത്ത് വിവർത്തനം സംഘടിപ്പിക്കലും. ഒന്നിലധികം CPU-കളിലോ GPU-കളിലോ ഉടനീളം കണക്കുകൂട്ടലുകൾ വിതരണം ചെയ്യുന്നതിനുള്ള ടെൻസർഫ്ലോയുടെ അന്തർനിർമ്മിത പിന്തുണയ്ക്ക് നന്ദി, സാധാരണ ഹാർഡ്‌വെയറിൽ വിതരണം ചെയ്ത മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും.

ഡാറ്റാ ഫ്ലോ ഗ്രാഫുകൾ വഴി നടപ്പിലാക്കിയ റെഡിമെയ്ഡ് സംഖ്യാ കണക്കുകൂട്ടൽ അൽഗോരിതങ്ങളുടെ ഒരു ലൈബ്രറി ടെൻസർഫ്ലോ നൽകുന്നു. അത്തരം ഗ്രാഫുകളിലെ നോഡുകൾ ഗണിത പ്രവർത്തനങ്ങളോ ഇൻപുട്ട്/ഔട്ട്പുട്ട് പോയിൻ്റുകളോ നടപ്പിലാക്കുന്നു, ഗ്രാഫിൻ്റെ അരികുകൾ നോഡുകൾക്കിടയിൽ ഒഴുകുന്ന മൾട്ടിഡൈമൻഷണൽ ഡാറ്റ അറേകളെ (ടെൻസറുകൾ) പ്രതിനിധീകരിക്കുന്നു.
കമ്പ്യൂട്ടിംഗ് ഉപകരണങ്ങൾക്ക് നോഡുകൾ നൽകാനും അസമന്വിതമായി നടപ്പിലാക്കാനും കഴിയും, സമാന്തരമായി അവയ്ക്ക് അനുയോജ്യമായ എല്ലാ തീസറുകളും ഒരേസമയം പ്രോസസ്സ് ചെയ്യുന്നു, ഇത് തലച്ചോറിലെ ന്യൂറോണുകളുടെ ഒരേസമയം സജീവമാക്കുന്നതിനൊപ്പം ഒരു ന്യൂറൽ നെറ്റ്‌വർക്കിലെ നോഡുകളുടെ ഒരേസമയം പ്രവർത്തനം സംഘടിപ്പിക്കുന്നത് സാധ്യമാക്കുന്നു.

പുതിയ പതിപ്പ് തയ്യാറാക്കുന്നതിലെ പ്രധാന ശ്രദ്ധ ലളിതവൽക്കരണവും ഉപയോഗ എളുപ്പവുമാണ്. ചിലത് പുതുമകൾ:

• മോഡലുകൾ നിർമ്മിക്കുന്നതിനും പരിശീലനത്തിനുമായി ഒരു പുതിയ ഉയർന്ന തലത്തിലുള്ള API നിർദ്ദേശിച്ചിട്ടുണ്ട് കേരസ്, ഇത് നിർമ്മിക്കുന്നതിനുള്ള നിരവധി ഇൻ്റർഫേസ് ഓപ്ഷനുകൾ നൽകുന്നു (സീക്വൻഷ്യൽ, ഫങ്ഷണൽ, സബ്ക്ലാസിംഗ്) ഉടനടി നടപ്പിലാക്കൽ (പ്രീ-കംപൈലേഷൻ ഇല്ലാതെ) കൂടാതെ ഒരു ലളിതമായ ഡീബഗ്ഗിംഗ് സംവിധാനം;
• API ചേർത്തു tf.distribute.Strategy സംഘടനയ്ക്ക് പഠനം വിതരണം ചെയ്തു നിലവിലുള്ള കോഡിൽ കുറഞ്ഞ മാറ്റങ്ങളുള്ള മോഡലുകൾ. കണക്കുകൾ മുഴുവൻ വ്യാപിക്കുന്നതിനുള്ള സാധ്യതയ്ക്ക് പുറമേ ഒന്നിലധികം GPU-കൾ, പഠന പ്രക്രിയയെ പല സ്വതന്ത്ര പ്രൊസസറുകളായി വിഭജിക്കാനും ക്ലൗഡ് ഉപയോഗിക്കാനുള്ള കഴിവിനും പരീക്ഷണാത്മക പിന്തുണ ലഭ്യമാണ് ടി പി യു (ടെൻസർ പ്രോസസ്സിംഗ് യൂണിറ്റ്);
• tf.Session മുഖേന നിർവ്വഹണത്തോടെ ഒരു ഗ്രാഫ് നിർമ്മിക്കുന്നതിനുള്ള ഒരു ഡിക്ലറേറ്റീവ് മോഡലിന് പകരം, പൈത്തണിൽ സാധാരണ ഫംഗ്‌ഷനുകൾ എഴുതാൻ സാധിക്കും, അത് tf.function-ലേക്കുള്ള ഒരു കോൾ ഉപയോഗിച്ച് ഗ്രാഫുകളായി പരിവർത്തനം ചെയ്‌ത് വിദൂരമായി എക്‌സിക്യൂട്ട് ചെയ്യുകയോ സീരിയലൈസ് ചെയ്യുകയോ ഒപ്റ്റിമൈസ് ചെയ്യുകയോ ചെയ്യാം. മെച്ചപ്പെട്ട പ്രകടനത്തിന്;
• പരിഭാഷകനെ ചേർത്തു ഓട്ടോഗ്രാഫ്, tf.function-decorated, tf.data, tf.distribute, tf.keras എന്നീ ഫംഗ്ഷനുകൾക്കുള്ളിൽ പൈത്തൺ കോഡ് ഉപയോഗിക്കാൻ അനുവദിക്കുന്ന പൈത്തൺ കമാൻഡുകളുടെ ഒരു സ്ട്രീം TensorFlow എക്സ്പ്രഷനുകളാക്കി മാറ്റുന്നു;
• SavedModel മോഡൽ എക്സ്ചേഞ്ച് ഫോർമാറ്റിനെ ഏകീകരിക്കുകയും മോഡൽ സ്റ്റേറ്റുകൾ സംരക്ഷിക്കുന്നതിനും പുനഃസ്ഥാപിക്കുന്നതിനുമുള്ള പിന്തുണ ചേർക്കുകയും ചെയ്യുന്നു. ടെൻസർഫ്ലോയ്‌ക്കായി സമാഹരിച്ച മോഡലുകൾ ഇപ്പോൾ ഉപയോഗിക്കാനാകും ടെൻസർഫ്ലോ ലൈറ്റ് (മൊബൈൽ ഉപകരണങ്ങളിൽ), ടെൻസർഫ്ലോ JS (ബ്രൗസറിലോ Node.js-ലോ), ടെൻസർഫ്ലോ സെർവിംഗ് и ടെൻസർഫ്ലോ ഹബ്;
• tf.train.Optimizers ഉം tf.keras.Optimizers API-കളും ഏകീകൃതമാക്കിയിരിക്കുന്നു; ഗ്രേഡിയൻ്റ് ടേപ്പ്;
• GPU ഉപയോഗിക്കുമ്പോൾ ഗണ്യമായി വർദ്ധിച്ച പ്രകടനം.
  എൻവിഡിയ വോൾട്ടയും ട്യൂറിംഗ് ജിപിയുമുള്ള സിസ്റ്റങ്ങളിലെ മോഡൽ പരിശീലനത്തിൻ്റെ വേഗത മൂന്നിരട്ടിയായി വർദ്ധിച്ചു;

• നടപ്പിലാക്കി പ്രധാന API ക്ലീനപ്പ്, നിരവധി കോളുകൾ പുനർനാമകരണം ചെയ്യുകയോ നീക്കം ചെയ്യുകയോ ചെയ്തു, സഹായ രീതികളിലെ ആഗോള വേരിയബിളുകൾക്കുള്ള പിന്തുണ നിർത്തി. tf.app, tf.flags, tf.logging എന്നിവയ്ക്ക് പകരം ഒരു പുതിയ absl-py API നിർദ്ദേശിക്കപ്പെടുന്നു. പഴയ API ഉപയോഗിക്കുന്നത് തുടരാൻ, compat.v1 മൊഡ്യൂൾ തയ്യാറാക്കിയിട്ടുണ്ട്.

അവലംബം: opennet.ru