मशीन लर्निंग सिस्टम टेन्सरफ्लो 2.0 चे प्रकाशन

सादर करणारा मशीन लर्निंग प्लॅटफॉर्मचे महत्त्वपूर्ण प्रकाशन टेन्सरफ्लो 2.0, जे विविध डीप मशीन लर्निंग अल्गोरिदमची रेडीमेड अंमलबजावणी प्रदान करते, पायथनमध्ये मॉडेल तयार करण्यासाठी एक साधा प्रोग्रामिंग इंटरफेस आणि C++ भाषेसाठी निम्न-स्तरीय इंटरफेस जो तुम्हाला संगणकीय आलेखांचे बांधकाम आणि अंमलबजावणी नियंत्रित करण्यास अनुमती देतो. सिस्टम कोड C++ आणि Python आणि मध्ये लिहिलेला आहे द्वारा वितरित Apache परवान्या अंतर्गत.

हे प्लॅटफॉर्म मूळतः Google ब्रेन टीमने विकसित केले होते आणि Google सेवांमध्ये उच्चार ओळखणे, छायाचित्रांमधील चेहरे ओळखणे, प्रतिमांची समानता निश्चित करणे, Gmail मधील स्पॅम फिल्टर करणे, यासाठी वापरले जाते. निवड Google News मधील बातम्या आणि अर्थ लक्षात घेऊन भाषांतर आयोजित करणे. अनेक CPUs किंवा GPU वर गणना वितरित करण्यासाठी TensorFlow च्या अंगभूत समर्थनामुळे, मानक हार्डवेअरवर वितरित मशीन शिक्षण प्रणाली तयार केली जाऊ शकते.

TensorFlow डेटा प्रवाह आलेखाद्वारे अंमलात आणलेल्या रेडीमेड संख्यात्मक गणना अल्गोरिदमची लायब्ररी प्रदान करते. अशा आलेखांमधील नोड्स गणितीय ऑपरेशन्स किंवा इनपुट/आउटपुट पॉइंट्सची अंमलबजावणी करतात, तर आलेखाच्या कडा बहुआयामी डेटा अॅरे (टेन्सर्स) दर्शवतात जे नोड्समध्ये वाहतात.
नोड्स संगणकीय उपकरणांना नियुक्त केले जाऊ शकतात आणि अतुल्यकालिकपणे कार्यान्वित केले जाऊ शकतात, एकाच वेळी त्यांच्यासाठी योग्य असलेल्या सर्व थिसर्सवर एकाच वेळी प्रक्रिया करतात, ज्यामुळे मेंदूतील न्यूरॉन्सच्या एकाचवेळी सक्रियतेशी साधर्म्य साधून न्यूरल नेटवर्कमध्ये नोड्सचे एकाचवेळी ऑपरेशन आयोजित करणे शक्य होते.

नवीन आवृत्ती तयार करताना मुख्य लक्ष सरलीकरण आणि वापरणी सुलभतेवर होते. काही नवकल्पना:

• मॉडेल तयार करण्यासाठी आणि प्रशिक्षण देण्यासाठी नवीन उच्च-स्तरीय API प्रस्तावित केले आहे केरास, जे बिल्डिंग मॉडेल्ससाठी अनेक इंटरफेस पर्याय प्रदान करते (अनुक्रमक, कार्यात्मक, उपवर्ग) त्वरित अंमलबजावणी (पूर्व संकलनाशिवाय) आणि साध्या डीबगिंग यंत्रणेसह;
• API जोडले tf.distribute.Strategy संस्थेसाठी वितरित शिक्षण विद्यमान कोडमध्ये कमीतकमी बदलांसह मॉडेल. ओलांडून गणना पसरवण्याची शक्यता व्यतिरिक्त एकाधिक GPUs, शिकण्याच्या प्रक्रियेला अनेक स्वतंत्र प्रोसेसरमध्ये विभागण्यासाठी आणि क्लाउड वापरण्याची क्षमता यासाठी प्रायोगिक समर्थन उपलब्ध आहे. टीपीयू (टेन्सर प्रोसेसिंग युनिट);
• tf.Session द्वारे अंमलबजावणीसह आलेख तयार करण्याच्या घोषणात्मक मॉडेलऐवजी, पायथॉनमध्ये सामान्य फंक्शन्स लिहिणे शक्य आहे, जे tf.function ला कॉल वापरून, आलेखामध्ये रूपांतरित केले जाऊ शकते आणि नंतर दूरस्थपणे कार्यान्वित केले जाऊ शकते, अनुक्रमित किंवा ऑप्टिमाइझ केले जाऊ शकते. सुधारित कामगिरीसाठी;
• अनुवादक जोडले ऑटोग्राफ, जे पायथन कमांड्सच्या प्रवाहाला TensorFlow अभिव्यक्तींमध्ये रूपांतरित करते, पायथन कोडला tf.function-decorated, tf.data, tf.distribute आणि tf.keras फंक्शन्समध्ये वापरण्याची परवानगी देते;
• SavedModel मॉडेल एक्सचेंज फॉरमॅट एकत्र करते आणि मॉडेल स्टेटस जतन आणि पुनर्संचयित करण्यासाठी समर्थन जोडते. TensorFlow साठी संकलित केलेले मॉडेल आता वापरले जाऊ शकतात टेन्सरफ्लो लाइट (मोबाइल उपकरणांवर), TensorFlow JS (ब्राउझर किंवा Node.js मध्ये), टेन्सरफ्लो सर्व्हिंग и टेन्सरफ्लो हब;
• tf.train.Optimizers आणि tf.keras.Optimizers API एकत्र केले गेले आहेत; compute_gradients ऐवजी, ग्रेडियंटची गणना करण्यासाठी एक नवीन वर्ग प्रस्तावित केला आहे. ग्रेडियंट टेप;
• GPU वापरताना लक्षणीय कामगिरी वाढली.
  NVIDIA व्होल्टा आणि ट्युरिंग GPU सह सिस्टमवरील मॉडेल प्रशिक्षणाची गती तीन पटीने वाढली आहे;

• पार पाडले प्रमुख API क्लीनअप, अनेक कॉलचे नाव बदलले किंवा काढून टाकले, हेल्पर पद्धतींमध्ये ग्लोबल व्हेरिएबल्ससाठी समर्थन थांबवले. tf.app, tf.flags, tf.logging ऐवजी नवीन absl-py API प्रस्तावित आहे. जुने API वापरणे सुरू ठेवण्यासाठी, compat.v1 मॉड्यूल तयार केले गेले आहे.

स्त्रोत: opennet.ru