د ماشین زده کړې سیسټم خوشې کول TensorFlow 2.0

له خوا سپارل شوي د ماشین زده کړې پلیټ فارم د پام وړ خوشې کول ټنسرفلو 2.0، کوم چې د مختلف ژور ماشین زده کړې الګوریتمونو چمتو شوي پلي کول چمتو کوي ، په Python کې د ماډلونو جوړولو لپاره ساده برنامې انٹرفیس ، او د C++ ژبې لپاره د ټیټې کچې انٹرفیس چې تاسو ته اجازه درکوي د کمپیوټري ګرافونو جوړول او اجرا کول کنټرول کړئ. د سیسټم کوډ په C++ او Python کې لیکل شوی او لخوا توزیع شوی د اپاچی جواز لاندې.

پلیټ فارم په اصل کې د ګوګل دماغ ټیم لخوا رامینځته شوی او د وینا پیژندنې ، په عکسونو کې د مخونو پیژندلو ، د عکسونو ورته والي ټاکلو ، په Gmail کې د سپیم فلټر کولو لپاره د ګوګل خدماتو کې کارول کیږي. انتخاب په ګوګل نیوز کې خبرونه او د معنی په پام کې نیولو سره د ژباړې تنظیم کول. د توزیع شوي ماشین زده کړې سیسټمونه په معیاري هارډویر کې رامینځته کیدی شي ، په ډیری CPUs یا GPUs کې د محاسبې توزیع کولو لپاره د TensorFlow جوړ شوي ملاتړ څخه مننه.

TensorFlow د چمتو شوي عددي محاسبې الګوریتمونو کتابتون چمتو کوي چې د ډیټا جریان ګرافونو له لارې پلي کیږي. په داسې ګرافونو کې نوډونه د ریاضيیک عملیات یا د انپټ/آؤټ پوټ نقطې پلي کوي، پداسې حال کې چې د ګراف څنډې د څو اړخیز ډیټا اریونو (ټینسرونو) استازیتوب کوي چې د نوډونو ترمنځ جریان لري.
نوډونه د کمپیوټري وسیلو لپاره ګمارل کیدی شي او په ورته وخت کې اجرا شي ، په ورته وخت کې د دوی لپاره مناسب ټول تیاترونه پروسس کوي ، کوم چې دا ممکنه کوي چې په عصبي شبکه کې د نوډونو یوځل عملیات تنظیم کړي په مغز کې د نیورونونو په ورته وخت کې فعالولو سره.

د نوې نسخې په چمتو کولو کې اصلي تمرکز په ساده کولو او د کارولو اسانتیا وه. ځینې نوښتونه:

• د موډلونو د جوړولو او روزنې لپاره د نوي لوړې کچې API وړاندیز شوی کیراس، کوم چې د دې وړتیا سره د ماډلونو جوړولو لپاره ډیری انٹرفیس اختیارونه چمتو کوي (تسلسل ، فنکشنل ، فرعي کلاسینګ) سمدستي تطبیق (پرته له مخکې تالیف) او د ساده ډیبګ کولو میکانیزم سره؛
• API اضافه شوی tf.distribute.Strategy د تنظیم لپاره ویشل شوي زده کړې موډلونه په موجوده کوډ کې لږترلږه بدلونونو سره. په ټوله کې د محاسبې د خپریدو امکان سربیره څو GPUsتجربوي ملاتړ د زده کړې پروسې په څو خپلواکو پروسیسرونو ویشلو او د بادل کارولو وړتیا لپاره شتون لري TPU (د ټینسر پروسس کولو واحد)؛
• د tf.Session له لارې د اجرا کولو سره د ګراف رامینځته کولو اعلاناتي ماډل پرځای ، دا ممکنه ده چې په Python کې عادي افعال ولیکئ ، کوم چې د tf.function ته د زنګ وهلو په کارولو سره په ګرافونو بدلیدلی شي او بیا له لرې لرې اجرا ، سیریل یا اصلاح کیدی شي. د ښه فعالیت لپاره؛
• ژباړونکی اضافه شو آٹو ګراف، کوم چې د Python کمانډونو جریان د TensorFlow څرګندونو ته بدلوي، د Python کوډ ته اجازه ورکوي چې په tf.function-decorated، tf.data، tf.distribute، او tf.keras افعال کې وکارول شي؛
• SavedModel د موډل تبادلې بڼه متحد کوي او د موډل حالتونو خوندي کولو او بحالولو لپاره مالتړ زیاتوي. د TensorFlow لپاره ترتیب شوي ماډلونه اوس کارول کیدی شي د ټینس فلو لایټ (په ګرځنده وسیلو کې) TensorFlow JS (په براوزر یا Node.js کې) TensorFlow خدمت کول и د TensorFlow مرکز;
• tf.train.Optimizers او tf.keras.Optimizers APIs متحد شوي؛ د compute_gradients پرځای، د ګریډینټ محاسبه کولو لپاره یو نوی ټولګی وړاندیز شوی تدریجي ټیپ;
• د GPU کارولو په وخت کې د پام وړ فعالیت زیات شوی.
  د NVIDIA Volta او Turing GPUs سره په سیسټمونو کې د ماډل روزنې سرعت درې ځله لوړ شوی؛

• ترسره کړی دی د لوی API پاکول ، ډیری زنګونه بدل شوي یا حذف شوي ، په مرستندویه میتودونو کې د نړیوال متغیرونو ملاتړ بند شوی. د tf.app، tf.flags، tf.logging پر ځای، یو نوی absl-py API وړاندیز شوی. د زاړه API کارولو ته دوام ورکولو لپاره، compat.v1 ماډل چمتو شوی.

سرچینه: opennet.ru