मेसिन लर्निङ सिस्टम TensorFlow 2.0 को रिलीज

परिचय गराए मेसिन लर्निङ प्लेटफर्मको महत्त्वपूर्ण रिलीज टेन्सरफ्लो २, जसले विभिन्न गहिरो मेसिन लर्निङ एल्गोरिदमहरूको तयार कार्यान्वयन, पाइथनमा मोडेलहरू निर्माण गर्नको लागि सरल प्रोग्रामिङ इन्टरफेस, र C++ भाषाको लागि निम्न-स्तरको इन्टरफेस प्रदान गर्दछ जसले तपाईंलाई कम्प्युटेसनल ग्राफहरूको निर्माण र कार्यान्वयन नियन्त्रण गर्न अनुमति दिन्छ। प्रणाली कोड C++ र पाइथन र मा लेखिएको छ द्वारा वितरित Apache लाइसेन्स अन्तर्गत।

यो प्लेटफर्म मूल रूपमा गुगल ब्रेन टोलीद्वारा विकसित गरिएको थियो र Google सेवाहरूमा वाक् पहिचान, फोटोहरूमा अनुहारहरू पहिचान गर्न, छविहरूको समानता निर्धारण गर्न, Gmail मा स्प्याम फिल्टर गर्न, चयन Google समाचारमा समाचार र अर्थलाई ध्यानमा राखेर अनुवाद व्यवस्थित गर्ने। धेरै CPU हरू वा GPU हरूमा गणनाहरू वितरण गर्नको लागि TensorFlow को निर्मित समर्थनलाई धन्यवाद, मानक हार्डवेयरमा वितरित मेसिन लर्निङ प्रणालीहरू सिर्जना गर्न सकिन्छ।

TensorFlow ले डेटा प्रवाह ग्राफहरू मार्फत लागू गरिएको तयार-निर्मित संख्यात्मक गणना एल्गोरिदमहरूको पुस्तकालय प्रदान गर्दछ। त्यस्ता ग्राफहरूमा नोडहरूले गणितीय अपरेसनहरू वा इनपुट/आउटपुट बिन्दुहरू लागू गर्दछ, जबकि ग्राफको किनारहरूले नोडहरू बीच प्रवाह गर्ने बहुआयामी डेटा एरेहरू (टेन्सरहरू) प्रतिनिधित्व गर्दछ।
नोडहरू कम्प्युटिङ यन्त्रहरूमा नियुक्त गर्न सकिन्छ र एसिन्क्रोनस रूपमा कार्यान्वयन गर्न सकिन्छ, एकै साथ तिनीहरूका लागि उपयुक्त सबै थिसरहरू एकैचोटि प्रशोधन गर्न सकिन्छ, जसले मस्तिष्कमा न्यूरोन्सहरूको एकसाथ सक्रियतासँग समानताद्वारा न्यूरल नेटवर्कमा नोडहरूको एकसाथ सञ्चालनलाई व्यवस्थित गर्न सम्भव बनाउँछ।

नयाँ संस्करणको तयारीमा मुख्य फोकस सरलीकरण र प्रयोगमा सजिलो थियो। केहि नवाचारहरू:

• निर्माण र प्रशिक्षण मोडेलहरूको लागि नयाँ उच्च-स्तर API प्रस्ताव गरिएको छ केरास, जसले क्षमताको साथ मोडेलहरू (क्रमिक, कार्यात्मक, उपवर्गीकरण) निर्माणका लागि धेरै इन्टरफेस विकल्पहरू प्रदान गर्दछ। तत्काल कार्यान्वयन (पूर्व-संकलन बिना) र एक साधारण डिबगिंग संयन्त्रको साथ;
• API थपियो tf.distribute.strategy संगठनको लागि सिकाइ वितरण अवस्थित कोडमा न्यूनतम परिवर्तनहरू भएका मोडेलहरू। भरमा गणना फैलाउने सम्भावनाको अतिरिक्त धेरै GPU हरू, सिकाउने प्रक्रियालाई धेरै स्वतन्त्र प्रोसेसर र क्लाउड प्रयोग गर्ने क्षमतामा विभाजन गर्न प्रयोगात्मक समर्थन उपलब्ध छ। TPU (टेन्सर प्रशोधन इकाई);
• tf.Session मार्फत कार्यान्वयनको साथ ग्राफ निर्माण गर्ने घोषणात्मक मोडेलको सट्टा, पाइथनमा सामान्य प्रकार्यहरू लेख्न सम्भव छ, जुन tf.function मा कल प्रयोग गरेर, ग्राफमा रूपान्तरण गर्न सकिन्छ र त्यसपछि टाढाबाट कार्यान्वयन, क्रमबद्ध, वा अनुकूलित गर्न सकिन्छ। सुधारिएको प्रदर्शनको लागि;
• अनुवादक थपियो अटोग्राफ, जसले पाइथन आदेशहरूको स्ट्रिमलाई TensorFlow अभिव्यक्तिहरूमा रूपान्तरण गर्दछ, Python कोड tf.function-decorated, tf.data, tf.distribute, र tf.keras प्रकार्यहरूमा प्रयोग गर्न अनुमति दिन्छ;
• SavedModel ले मोडेल एक्सचेन्ज ढाँचालाई एकीकृत गर्दछ र मोडेल अवस्थाहरू बचत र पुनर्स्थापनाको लागि समर्थन थप्छ। TensorFlow को लागि संकलित मोडेलहरू अब प्रयोग गर्न सकिन्छ टेन्सरफ्लो लाइट (मोबाइल उपकरणहरूमा), TensorFlow JS (ब्राउजर वा Node.js मा), TensorFlow सेवा и टेन्सरफ्लो हब;
• tf.train.Optimizers र tf.keras.Optimizers API लाई एकीकृत गरिएको छ; compute_gradients को सट्टा, gradients गणना गर्न नयाँ वर्ग प्रस्ताव गरिएको छ। ग्रेडियन्ट टेप;
• GPU प्रयोग गर्दा उल्लेखनीय रूपमा बढेको प्रदर्शन।
  NVIDIA भोल्टा र ट्युरिङ GPU सँग प्रणालीहरूमा मोडेल प्रशिक्षणको गति तीन गुणा बढेको छ;

• सञ्चालन गरिएको प्रमुख API क्लीनअप, धेरै कलहरू पुन: नामाकरण वा हटाइयो, सहायक विधिहरूमा विश्वव्यापी चरहरूको लागि समर्थन रोकियो। tf.app, tf.flags, tf.logging को सट्टा, नयाँ absl-py API प्रस्तावित छ। पुरानो API प्रयोग जारी राख्न, compat.v1 मोड्युल तयार गरिएको छ।

स्रोत: opennet.ru