مشين لرننگ سسٽم جو رليز TensorFlow 2.0

پاران پيش ڪيل مشين لرننگ پليٽ فارم جي اهم رليز ٽينسر فلو 2.0، جيڪو مختلف ڊيپ مشين لرننگ الگورٿمز جي تيار ڪيل عملن کي مهيا ڪري ٿو، پٿون ۾ ماڊلز جي تعمير لاءِ هڪ سادي پروگرامنگ انٽرفيس، ۽ C++ ٻولي لاءِ هڪ گهٽ-سطح وارو انٽرفيس جيڪو توهان کي ڪمپيوٽيشنل گرافس جي تعمير ۽ عمل کي ڪنٽرول ڪرڻ جي اجازت ڏئي ٿو. سسٽم ڪوڊ C++ ۽ Python ۾ لکيل آهي ۽ طرفان ورهايل Apache لائسنس جي تحت.

پليٽ فارم اصل ۾ گوگل دماغ ٽيم پاران تيار ڪيو ويو آهي ۽ گوگل سروسز ۾ تقرير جي سڃاڻپ، تصويرن ۾ منهن جي سڃاڻپ، تصويرن جي هڪجهڙائي جو تعين ڪرڻ، Gmail ۾ اسپام کي فلٽر ڪرڻ، چونڊ گوگل نيوز ۾ خبرون ۽ ترجمي کي ترتيب ڏيڻ ۾ معني کي نظر ۾ رکندي. ورهايل مشين لرننگ سسٽم معياري هارڊويئر تي ٺاهي سگھجن ٿا، ڪيترن ئي CPUs يا GPUs ۾ حسابن کي ورهائڻ لاءِ TensorFlow جي بلٽ ان سپورٽ جي مهرباني.

TensorFlow ڊيٽا فلو گرافس ذريعي لاڳو ڪيل تيار ڪيل عددي حساب ڪتاب جي الگورتھم جي لائبريري مهيا ڪري ٿي. اهڙين گرافن ۾ نوڊس رياضياتي عملن يا ان پٽ/آئوٽ پٽ پوائنٽس کي لاڳو ڪن ٿا، جڏهن ته گراف جا ڪنارا ملٽي ڊيمانشنل ڊيٽا آري (ٽينسر) جي نمائندگي ڪن ٿا جيڪي نوڊس جي وچ ۾ وهن ٿا.
نوڊس ڪمپيوٽنگ ڊوائيسز لاءِ مقرر ڪري سگھجن ٿا ۽ هڪ ئي وقت تي عمل ڪري سگھجن ٿا، انهن لاءِ مناسب سڀني ٿيسرز کي هڪ ئي وقت ۾ پروسيس ڪري ٿو، جيڪو اهو ممڪن بڻائي ٿو ته نوڊس جي هڪ ئي وقت آپريشن کي منظم ڪري هڪ نيورل نيٽ ورڪ ۾ دماغ ۾ نيورون جي هڪ ئي وقت چالو ٿيڻ سان.

نئين نسخي کي تيار ڪرڻ ۾ بنيادي ڌيان آسانيءَ ۽ استعمال ۾ آسانيءَ تي هو. ڪجهه جدت:

• بلڊنگ ۽ ٽريننگ ماڊلز لاءِ هڪ نئون اعليٰ سطحي API تجويز ڪيو ويو آهي ڪيرا، جيڪو ماڊل تعمير ڪرڻ لاءِ ڪيترن ئي انٽرفيس جا اختيار فراهم ڪري ٿو (ترتيباتي ، فنڪشنل ، ذيلي ڪلاسنگ) جي صلاحيت سان. فوري طور تي عملدرآمد (پري تاليف جي بغير) ۽ هڪ سادي ڊيبگنگ ميڪانيزم سان؛
• شامل ڪيو ويو API tf.distribute.strategy تنظيم لاء ورهايل سکيا موجوده ڪوڊ ۾ گهٽ ۾ گهٽ تبديلين سان ماڊل. ان کان علاوه حسابن کي پکيڙڻ جو امڪان گھڻن GPUsسکيا جي عمل کي ڪيترن ئي آزاد پروسيسرز ۾ ورهائڻ ۽ ڪلائوڊ استعمال ڪرڻ جي صلاحيت لاءِ تجرباتي سپورٽ موجود آهي. TPU (Tensor پروسيسنگ يونٽ)؛
• tf.Session ذريعي ايگزيڪيوشن سان گراف ٺاهڻ جي اعلاني نموني جي بدران، Python ۾ عام فنڪشن لکڻ ممڪن آهي، جيڪي tf.function کي ڪال استعمال ڪندي، گراف ۾ تبديل ڪري سگھجن ٿا ۽ پوءِ ريموٽ طور تي عمل، سيريل يا بهتر ڪري سگھجي ٿو. بهتر ڪارڪردگي لاء؛
• شامل ڪيو ويو مترجم آٽو گراف, جيڪو Python ڪمانڊ جي هڪ وهڪرو کي TensorFlow ايڪسپريشنز ۾ تبديل ڪري ٿو، Python ڪوڊ کي tf.function-decorated، tf.data، tf.distribute، ۽ tf.keras افعال ۾ استعمال ڪرڻ جي اجازت ڏئي ٿو.
• SavedModel ماڊل ايڪسچينج فارميٽ کي متحد ڪري ٿو ۽ ماڊل رياستن کي بچائڻ ۽ بحال ڪرڻ لاءِ مدد شامل ڪري ٿو. TensorFlow لاءِ مرتب ڪيل ماڊل ھاڻي استعمال ڪري سگھجن ٿا TensorFlow Lite (موبائيل ڊوائيسز تي) TensorFlow JS (براؤزر يا Node.js ۾) TensorFlow سرونگ и TensorFlow حب;
• tf.train.Optimizers ۽ tf.keras.Optimizers APIs کي متحد ڪيو ويو آهي؛ compute_gradients جي بدران، هڪ نئون طبقو تجويز ڪيو ويو آهي گريجوئيٽ جي حساب لاءِ گريجوئيٽ ٽيپ;
• GPU استعمال ڪندي خاص طور تي ڪارڪردگي وڌائي.
  NVIDIA Volta ۽ Turing GPUs سان سسٽم تي ماڊل ٽريننگ جي رفتار ٽي دفعا وڌي وئي آهي.

• ڪم پورو ڪيو ميجر API صفائي، ڪيتريون ئي ڪالون تبديل ٿيل يا ختم ڪيون ويون، مددگار طريقن ۾ عالمي متغيرن لاءِ مدد روڪي وئي. tf.app، tf.flags، tf.logging جي بدران، هڪ نئون absl-py API تجويز ڪيل آهي. پراڻي API استعمال ڪرڻ جاري رکڻ لاء، compat.v1 ماڊل تيار ڪيو ويو آهي.

جو ذريعو: opennet.ru