lëshim domethënës i platformës së mësimit të makinerive , i cili ofron implementime të gatshme të algoritmeve të ndryshme të mësimit të thellë të makinerive, një ndërfaqe të thjeshtë programimi për ndërtimin e modeleve në Python dhe një ndërfaqe të nivelit të ulët për gjuhën C++ që ju lejon të kontrolloni ndërtimin dhe ekzekutimin e grafikëve llogaritës. Kodi i sistemit është shkruar në C++ dhe Python dhe nën licencën Apache.
Platforma u zhvillua fillimisht nga ekipi Google Brain dhe përdoret në shërbimet e Google për njohjen e të folurit, identifikimin e fytyrave në fotografi, përcaktimin e ngjashmërisë së imazheve, filtrimin e postës së padëshiruar në Gmail, lajmet në Google News dhe organizimi i përkthimit duke marrë parasysh kuptimin. Sistemet e shpërndara të mësimit të makinerive mund të krijohen në pajisje standarde, falë mbështetjes së integruar të TensorFlow për shpërndarjen e llogaritjeve nëpër CPU ose GPU të shumta.
TensorFlow ofron një bibliotekë të algoritmeve të gatshme të llogaritjes numerike të zbatuara përmes grafikëve të rrjedhës së të dhënave. Nyjet në grafikë të tillë zbatojnë operacione matematikore ose pika hyrëse/dalëse, ndërsa skajet e grafikut paraqesin vargje të dhënash shumëdimensionale (tensorë) që rrjedhin ndërmjet nyjeve.
Nyjet mund të caktohen në pajisjet llogaritëse dhe të ekzekutohen në mënyrë asinkrone, duke përpunuar njëkohësisht të gjitha teoritë e përshtatshme për ta, gjë që bën të mundur organizimin e funksionimit të njëkohshëm të nyjeve në një rrjet nervor në analogji me aktivizimin e njëkohshëm të neuroneve në tru.
Fokusi kryesor në përgatitjen e versionit të ri ishte thjeshtimi dhe lehtësia e përdorimit. :
- Një API e re e nivelit të lartë është propozuar për ndërtimin dhe modelet e trajnimit , i cili ofron disa opsione ndërfaqeje për ndërtimin e modeleve (Sekuenciale, Funksionale, Nënklasimi) me aftësinë për të (pa para-përpilim) dhe me një mekanizëm të thjeshtë korrigjimi;
- U shtua API për organizimin modele me ndryshime minimale në kodin ekzistues. Përveç mundësisë së përhapjes së llogaritjeve nëpër , mbështetja eksperimentale është e disponueshme për ndarjen e procesit mësimor në disa procesorë të pavarur dhe aftësinë për të përdorur cloud (njësia e përpunimit të tensorit);
- Në vend të një modeli deklarativ të ndërtimit të një grafiku me ekzekutim përmes tf.Session, është e mundur të shkruhen funksione të zakonshme në Python, të cilat, duke përdorur një thirrje për tf.function, mund të konvertohen në grafikë dhe më pas të ekzekutohen nga distanca, të serializohen ose të optimizohen. për performancë të përmirësuar;
- Shtuar përkthyes , i cili konverton një rrjedhë komandash Python në shprehje TensorFlow, duke lejuar që kodi i Python të përdoret brenda funksioneve tf.function-decorated, tf.data, tf.distribute dhe tf.keras;
- SavedModel unifikon formatin e shkëmbimit të modelit dhe shton mbështetje për ruajtjen dhe rivendosjen e gjendjeve të modelit. Modelet e përpiluara për TensorFlow tani mund të përdoren në (në pajisje të lëvizshme), (në shfletuesin ose Node.js), и ;
- API-të tf.train.Optimizers dhe tf.keras.Optimizers janë unifikuar; në vend të compute_gradients, është propozuar një klasë e re për llogaritjen e gradientëve ;
- Rritja e ndjeshme e performancës kur përdorni GPU.
Shpejtësia e trajnimit të modeleve në sistemet me GPU NVIDIA Volta dhe Turing është rritur deri në tre herë; - Pastrimi i madh i API-së, shumë thirrje u riemëruan ose u hoqën, mbështetja për variablat globale në metodat ndihmëse u ndal. Në vend të tf.app, tf.flags, tf.logging, propozohet një API i ri absl-py. Për të vazhduar përdorimin e API-së së vjetër, moduli compat.v1 është përgatitur.
Burimi: opennet.ru