సమర్పించిన వారు మెషిన్ లెర్నింగ్ ప్లాట్ఫారమ్ యొక్క ముఖ్యమైన విడుదల టెన్సర్ ఫ్లో 2.0, ఇది వివిధ డీప్ మెషీన్ లెర్నింగ్ అల్గారిథమ్ల యొక్క రెడీమేడ్ ఇంప్లిమెంటేషన్లను అందిస్తుంది, పైథాన్లో మోడల్లను రూపొందించడానికి ఒక సాధారణ ప్రోగ్రామింగ్ ఇంటర్ఫేస్ మరియు గణన గ్రాఫ్ల నిర్మాణం మరియు అమలును నియంత్రించడానికి మిమ్మల్ని అనుమతించే C++ భాష కోసం తక్కువ-స్థాయి ఇంటర్ఫేస్. సిస్టమ్ కోడ్ C++ మరియు పైథాన్లో వ్రాయబడింది మరియు ద్వారా పంపిణీ చేయబడింది Apache లైసెన్స్ కింద.
ఈ ప్లాట్ఫారమ్ను వాస్తవానికి Google బ్రెయిన్ బృందం అభివృద్ధి చేసింది మరియు Google సేవల్లో స్పీచ్ రికగ్నిషన్, ఛాయాచిత్రాలలో ముఖాలను గుర్తించడం, చిత్రాల సారూప్యతను గుర్తించడం, Gmailలో స్పామ్ని ఫిల్టర్ చేయడం, ఎంపిక Google వార్తలలో వార్తలు మరియు అర్థాన్ని పరిగణనలోకి తీసుకుని అనువాదాన్ని నిర్వహించడం. బహుళ CPUలు లేదా GPUలలో గణనలను పంపిణీ చేయడానికి TensorFlow యొక్క అంతర్నిర్మిత మద్దతుకు ధన్యవాదాలు, పంపిణీ చేయబడిన మెషీన్ లెర్నింగ్ సిస్టమ్లు ప్రామాణిక హార్డ్వేర్పై సృష్టించబడతాయి.
TensorFlow డేటా ఫ్లో గ్రాఫ్ల ద్వారా అమలు చేయబడిన రెడీమేడ్ సంఖ్యా గణన అల్గారిథమ్ల లైబ్రరీని అందిస్తుంది. అటువంటి గ్రాఫ్లలోని నోడ్లు గణిత కార్యకలాపాలు లేదా ఇన్పుట్/అవుట్పుట్ పాయింట్లను అమలు చేస్తాయి, అయితే గ్రాఫ్ అంచులు నోడ్ల మధ్య ప్రవహించే మల్టీడైమెన్షనల్ డేటా శ్రేణులను (టెన్సర్లు) సూచిస్తాయి.
నోడ్లను కంప్యూటింగ్ పరికరాలకు కేటాయించవచ్చు మరియు అసమకాలికంగా అమలు చేయవచ్చు, వాటికి అనువైన అన్ని థీసర్లను ఒకేసారి ప్రాసెస్ చేస్తుంది, ఇది మెదడులోని న్యూరాన్ల యొక్క ఏకకాల క్రియాశీలతతో సారూప్యత ద్వారా నాడీ నెట్వర్క్లో నోడ్ల ఏకకాల ఆపరేషన్ను నిర్వహించడం సాధ్యపడుతుంది.
కొత్త వెర్షన్ను సిద్ధం చేయడంలో ప్రధాన దృష్టి సరళీకరణ మరియు వాడుకలో సౌలభ్యంపై ఉంది. కొన్నిఆవిష్కరణలు:
మోడల్లను నిర్మించడం మరియు శిక్షణ ఇవ్వడం కోసం కొత్త ఉన్నత-స్థాయి API ప్రతిపాదించబడింది Keras, ఇది బిల్డింగ్ మోడల్స్ (సీక్వెన్షియల్, ఫంక్షనల్, సబ్క్లాసింగ్) కోసం అనేక ఇంటర్ఫేస్ ఎంపికలను అందిస్తుంది తక్షణ అమలు (ముందస్తు సంకలనం లేకుండా) మరియు సాధారణ డీబగ్గింగ్ మెకానిజంతో;
API జోడించబడింది tf.distribute.Strategy సంస్థ కోసం పంపిణీ చేసిన అభ్యాసం ఇప్పటికే ఉన్న కోడ్కి కనీస మార్పులతో మోడల్లు. అంతటా లెక్కలు విస్తరించే అవకాశంతో పాటు బహుళ GPUలు, అభ్యాస ప్రక్రియను అనేక స్వతంత్ర ప్రాసెసర్లుగా విభజించడం మరియు క్లౌడ్ని ఉపయోగించగల సామర్థ్యం కోసం ప్రయోగాత్మక మద్దతు అందుబాటులో ఉంది TPU (టెన్సర్ ప్రాసెసింగ్ యూనిట్);
tf.Session ద్వారా ఎగ్జిక్యూషన్తో గ్రాఫ్ను నిర్మించే డిక్లరేటివ్ మోడల్కు బదులుగా, పైథాన్లో సాధారణ ఫంక్షన్లను వ్రాయడం సాధ్యమవుతుంది, ఇది tf.functionకి కాల్ని ఉపయోగించి గ్రాఫ్లుగా మార్చబడుతుంది మరియు తర్వాత రిమోట్గా అమలు చేయబడుతుంది, సీరియలైజ్ చేయబడుతుంది లేదా ఆప్టిమైజ్ చేయబడుతుంది. మెరుగైన పనితీరు కోసం;
అనువాదకుడు చేర్చబడ్డాడు ఆటోగ్రాఫ్, ఇది పైథాన్ ఆదేశాల స్ట్రీమ్ను టెన్సర్ఫ్లో ఎక్స్ప్రెషన్లుగా మారుస్తుంది, tf.function-decorated, tf.data, tf.distribute మరియు tf.keras ఫంక్షన్లలో పైథాన్ కోడ్ను ఉపయోగించడానికి అనుమతిస్తుంది;
SavedModel మోడల్ ఎక్స్ఛేంజ్ ఆకృతిని ఏకీకృతం చేస్తుంది మరియు మోడల్ స్టేట్లను సేవ్ చేయడానికి మరియు పునరుద్ధరించడానికి మద్దతును జోడిస్తుంది. TensorFlow కోసం కంపైల్ చేయబడిన మోడల్లను ఇప్పుడు ఉపయోగించవచ్చు టెన్సార్ ఫ్లో లైట్ (మొబైల్ పరికరాలలో), టెన్సర్ఫ్లో JS (బ్రౌజర్ లేదా Node.jsలో), TensorFlow అందిస్తోంది и టెన్సర్ఫ్లో హబ్;
tf.train.Optimizers మరియు tf.keras.Optimizers APIలు ఏకీకృతం చేయబడ్డాయి; కంప్యూట్_గ్రేడియంట్లకు బదులుగా, ప్రవణతలను లెక్కించడానికి కొత్త తరగతి ప్రతిపాదించబడింది. గ్రేడియంట్ టేప్;
GPUని ఉపయోగిస్తున్నప్పుడు పనితీరు గణనీయంగా పెరిగింది.
NVIDIA వోల్టా మరియు ట్యూరింగ్ GPUలతో సిస్టమ్లపై మోడల్ శిక్షణ వేగం మూడు రెట్లు పెరిగింది;
చేపట్టారు ప్రధాన API క్లీనప్, అనేక కాల్లు పేరు మార్చబడ్డాయి లేదా తీసివేయబడ్డాయి, సహాయక పద్ధతులలో గ్లోబల్ వేరియబుల్లకు మద్దతు నిలిపివేయబడింది. tf.app, tf.flags, tf.logging బదులుగా, కొత్త absl-py API ప్రతిపాదించబడింది. పాత APIని ఉపయోగించడం కొనసాగించడానికి, compat.v1 మాడ్యూల్ సిద్ధం చేయబడింది.