စက်သင်ယူမှုစနစ် TensorFlow 2.0 ကို ဖြန့်ချိသည်။

မိတ်ဆက်ပေးသည်။ machine learning platform ၏ သိသာထင်ရှားသော ဖြန့်ချိမှု မင်္ဂလာပါ 2.0အမျိုးမျိုးသော နက်နဲသော စက်သင်ယူမှု အယ်လဂိုရီသမ်များ၊ Python တွင် တည်ဆောက်သည့် မော်ဒယ်များအတွက် ရိုးရှင်းသော ပရိုဂရမ်းမင်း အင်တာဖေ့စ်နှင့် C++ ဘာသာစကားအတွက် အဆင့်နိမ့်သော အင်တာဖေ့စ်ကို ပံ့ပိုးပေးသည့်၊ ၎င်းသည် ကွန်ပြူတာဂရပ်များ၏ တည်ဆောက်မှုနှင့် အကောင်အထည်ဖော်မှုကို ထိန်းချုပ်ရန် ခွင့်ပြုပေးသည်။ စနစ်ကုဒ်ကို C++ နှင့် Python နှင့် ရေးသားထားသည်။ ဖြန့်ဝေသည် Apache လိုင်စင်အောက်တွင်။

အဆိုပါ ပလပ်ဖောင်းကို Google Brain အဖွဲ့မှ မူလက တီထွင်ခဲ့ခြင်းဖြစ်ပြီး စကားသံကို မှတ်သားခြင်း၊ ဓာတ်ပုံများတွင် မျက်နှာများကို ခွဲခြားသတ်မှတ်ခြင်း၊ ပုံများ၏ တူညီမှုကို ဆုံးဖြတ်ခြင်း၊ Gmail တွင် spam များကို စစ်ထုတ်ခြင်းအတွက် Google ဝန်ဆောင်မှုများတွင် အသုံးပြုပါသည်။ ရွေးချယ်မှု Google News တွင် သတင်းများနှင့် အဓိပ္ပာယ်ကို ထည့်သွင်းစဉ်းစားကာ ဘာသာပြန်ဆိုခြင်းကို စုစည်းပါ။ ဖြန့်ဝေထားသော စက်သင်ယူမှုစနစ်များကို CPU သို့မဟုတ် GPU အများအပြားတွင် တွက်ချက်မှုများကို ဖြန့်ဝေပေးရန်အတွက် TensorFlow ၏ built-in ပံ့ပိုးမှုကြောင့် စံဟာ့ဒ်ဝဲတွင် ဖန်တီးနိုင်သည်။

TensorFlow သည် ဒေတာစီးဆင်းမှုဂရပ်များမှတစ်ဆင့် အကောင်အထည်ဖော်သည့် အဆင်သင့်လုပ်ထားသော ကိန်းဂဏာန်းတွက်ချက်မှုဆိုင်ရာ အယ်လဂိုရီသမ်များ၏ စာကြည့်တိုက်ကို ပံ့ပိုးပေးပါသည်။ ထိုဂရပ်များတွင် ဆုံမှတ်များသည် သင်္ချာဆိုင်ရာ လုပ်ဆောင်ချက်များ သို့မဟုတ် အဝင်/အထွက်အမှတ်များကို အကောင်အထည်ဖော်ကြပြီး၊ ဂရပ်၏ အစွန်းများသည် node များကြားတွင် စီးဆင်းနေသော multidimensional data arrays (tensors) ကို ကိုယ်စားပြုသည်။
Nodes များကို ကွန်ပျူတာစက်များတွင် တာဝန်ပေးအပ်နိုင်ပြီး တစ်ချိန်တည်းတွင် ၎င်းတို့အတွက် သင့်လျော်သော thesors အားလုံးကို တပြိုင်နက်တည်း လုပ်ဆောင်နိုင်ပြီး၊ ၎င်းသည် ဦးနှောက်အတွင်းရှိ အာရုံကြောကွန်ရက်အတွင်းရှိ nodes များ၏ တပြိုင်နက်လုပ်ဆောင်မှုကို စုစည်းနိုင်စေပါသည်။

ဗားရှင်းအသစ်ကို ပြင်ဆင်ရာတွင် အဓိကအာရုံစိုက်သည်မှာ ရိုးရှင်းခြင်းနှင့် အသုံးပြုရလွယ်ကူခြင်းအပေါ်ဖြစ်သည်။ အချို့သော တီထွင်ဆန်းသစ်မှုများ:

• ဆောက်လုပ်ရေးနှင့် လေ့ကျင့်ရေးပုံစံများအတွက် အဆင့်မြင့် API အသစ်တစ်ခုကို အဆိုပြုထားသည်။ ကရားတည်ဆောက်မှုမော်ဒယ်များ (Sequential, Functional, Subclassing) အတွက် အင်တာဖေ့စ်ရွေးချယ်စရာများစွာကို ပံ့ပိုးပေးသော၊ ချက်ချင်းအကောင်အထည်ဖော် (ကြိုတင်စုစည်းခြင်းမရှိဘဲ) နှင့်ရိုးရှင်းသောအမှားရှာပြင်ခြင်းယန္တရားနှင့်အတူ;
• API ထပ်ထည့်ထားသည်။ tf.distribute.ဗျူဟာ အဖွဲ့အစည်းအတွက် ဖြန့်ဝေသင်ကြားမှု ရှိပြီးသားကုဒ်သို့ အနည်းငယ်သော အပြောင်းအလဲများဖြင့် မော်ဒယ်များ။ တွက်ချက်မှုတွေ ဖြန့်ကြက်နိုင်ခြေအပြင် GPU မျိုးစုံ၊ သင်ယူမှုလုပ်ငန်းစဉ်ကို လွတ်လပ်သော ပရိုဆက်ဆာများစွာနှင့် cloud အသုံးပြုနိုင်စွမ်းတို့ကို ပိုင်းခြားရန်အတွက် စမ်းသပ်မှုဆိုင်ရာ ပံ့ပိုးမှုကို ရရှိနိုင်ပါသည်။ TPU (တင်းဆာအပြောင်းအလဲနဲ့ယူနစ်);
• tf.Session မှတဆင့် execution ဖြင့် ဂရပ်တစ်ခုတည်ဆောက်ခြင်းဆိုင်ရာ ကြေငြာပုံစံတစ်ခုအစား၊ tf.function သို့ခေါ်ဆိုမှုကိုအသုံးပြုကာ၊ ဂရပ်များအဖြစ်သို့ပြောင်းလဲနိုင်ပြီး အဝေးမှလုပ်ဆောင်ခြင်း၊ အမှတ်စဉ်ပြုလုပ်ခြင်း သို့မဟုတ် အကောင်းဆုံးဖြစ်အောင်ပြုလုပ်ထားသော Python တွင် သာမန်လုပ်ဆောင်ချက်များကို ရေးနိုင်သည်။ တိုးတက်သောစွမ်းဆောင်ရည်အတွက်;
• ဘာသာပြန်သူ ထည့်ထားသည်။ AutoGraphPython command များကို TensorFlow expressions များအဖြစ်သို့ ပြောင်းလဲပေးသော၊ သည် tf.function-decorated၊ tf.data, tf.distribute နှင့် tf.keras လုပ်ဆောင်ချက်များအတွင်းတွင် Python ကုဒ်ကို အသုံးပြုခွင့်ပေးသည်။
• SavedModel သည် မော်ဒယ်လဲလှယ်မှုဖော်မတ်ကို ပေါင်းစည်းပြီး မော်ဒယ်ပြည်နယ်များကို သိမ်းဆည်းခြင်းနှင့် ပြန်လည်ရယူခြင်းအတွက် ပံ့ပိုးမှု ထပ်လောင်းပေးသည်။ TensorFlow အတွက် စုစည်းထားသော မော်ဒယ်များကို ယခုတွင် အသုံးပြုနိုင်ပါသည်။ TensorFlow Lite (မိုဘိုင်းကိရိယာများပေါ်တွင်)၊ TensorFlow JS (ဘရောက်ဆာ သို့မဟုတ် Node.js)၊ TensorFlow ဆောင်ရွက်ပေးခြင်း။ и TensorFlow Hub;
• tf.train.Optimizers နှင့် tf.keras.Optimizers APIs များကို ပေါင်းစည်းထားပြီး၊ compute_gradients များအစား၊ gradient များကို တွက်ချက်ရန်အတွက် အတန်းသစ်တစ်ခုကို အဆိုပြုထားပါသည်။ Gradient Tape;
• GPU ကို အသုံးပြုသောအခါ စွမ်းဆောင်ရည် သိသိသာသာ တိုးလာသည်။
  NVIDIA Volta နှင့် Turing GPU များပါရှိသော စနစ်များတွင် မော်ဒယ်လေ့ကျင့်မှု၏ အရှိန်သည် သုံးဆအထိ တိုးလာခဲ့သည်။

• ဆောင်ရွက်ခဲ့ပါသည်။ အဓိက API ရှင်းလင်းခြင်း၊ အမည်ပြောင်းခြင်း သို့မဟုတ် ဖယ်ရှားခြင်း ခေါ်ဆိုမှုများ အများအပြားသည် အကူအညီပေးနည်းလမ်းများရှိ ကမ္ဘာလုံးဆိုင်ရာ ပြောင်းလွဲမှုများကို ပံ့ပိုးမှု ရပ်တန့်သွားသည်။ tf.app၊ tf.flags၊ tf.logging အစား absl-py API အသစ်ကို အဆိုပြုထားသည်။ API အဟောင်းကို ဆက်လက်အသုံးပြုရန်အတွက် compat.v1 module ကို ပြင်ဆင်ပြီးဖြစ်သည်။

source: opennet.ru