การเปิดตัวระบบการเรียนรู้ของเครื่อง TensorFlow 2.0

แนะนำ การเปิดตัวแพลตฟอร์มแมชชีนเลิร์นนิงครั้งสำคัญ เทนเซอร์โฟลว์ 2.0ซึ่งจัดเตรียมการใช้งานอัลกอริธึมการเรียนรู้ของเครื่องเชิงลึกต่างๆ แบบสำเร็จรูป อินเทอร์เฟซการเขียนโปรแกรมอย่างง่ายสำหรับการสร้างโมเดลใน Python และอินเทอร์เฟซระดับต่ำสำหรับภาษา C++ ที่ช่วยให้คุณควบคุมการสร้างและการดำเนินการของกราฟเชิงคำนวณ รหัสระบบเขียนด้วยภาษา C++ และ Python และ จัดจำหน่ายโดย ภายใต้ใบอนุญาต Apache

แพลตฟอร์มดังกล่าวได้รับการพัฒนาโดยทีมงาน Google Brain และใช้ในบริการต่างๆ ของ Google สำหรับการจดจำคำพูด การระบุใบหน้าในรูปถ่าย การกำหนดความคล้ายคลึงกันของรูปภาพ การกรองสแปมใน Gmail การเลือก ข่าวใน Google News และการจัดการแปลโดยคำนึงถึงความหมาย ระบบการเรียนรู้ของเครื่องแบบกระจายสามารถสร้างขึ้นได้บนฮาร์ดแวร์มาตรฐาน ด้วยการรองรับในตัวของ TensorFlow สำหรับการกระจายการคำนวณไปยัง CPU หรือ GPU หลายตัว

TensorFlow มีไลบรารีอัลกอริธึมการคำนวณเชิงตัวเลขสำเร็จรูปที่ใช้งานผ่านกราฟกระแสข้อมูล โหนดในกราฟดังกล่าวใช้การดำเนินการทางคณิตศาสตร์หรือจุดอินพุต/เอาต์พุต ในขณะที่ขอบของกราฟแสดงถึงอาร์เรย์ข้อมูลหลายมิติ (เทนเซอร์) ที่ไหลระหว่างโหนด
โหนดสามารถกำหนดให้กับอุปกรณ์คอมพิวเตอร์และดำเนินการแบบอะซิงโครนัสพร้อมกันในการประมวลผลทฤษฎีทั้งหมดที่เหมาะสมสำหรับอุปกรณ์เหล่านั้นในคราวเดียว ซึ่งทำให้สามารถจัดระเบียบการทำงานของโหนดในโครงข่ายประสาทเทียมพร้อมกันได้โดยการเปรียบเทียบกับการกระตุ้นเซลล์ประสาทในสมองพร้อมกัน

จุดสนใจหลักในการเตรียมเวอร์ชันใหม่คือความเรียบง่ายและใช้งานง่าย บาง นวัตกรรม:

• มีการเสนอ API ระดับสูงใหม่สำหรับการสร้างและการฝึกอบรมโมเดล Kerasซึ่งมีตัวเลือกอินเทอร์เฟซมากมายสำหรับโมเดลการสร้าง (ตามลำดับ, ฟังก์ชัน, คลาสย่อย) ที่มีความสามารถ การดำเนินการทันที (โดยไม่ต้องคอมไพล์ล่วงหน้า) และมีกลไกการดีบักอย่างง่าย
• เพิ่ม API tf.distribute.กลยุทธ์ สำหรับองค์กร การเรียนรู้แบบกระจาย โมเดลที่มีการเปลี่ยนแปลงโค้ดที่มีอยู่เพียงเล็กน้อย นอกจากความเป็นไปได้ในการกระจายการคำนวณออกไปแล้ว GPU หลายตัวมีการสนับสนุนการทดลองเพื่อแบ่งกระบวนการเรียนรู้ออกเป็นโปรเซสเซอร์อิสระหลายตัวและความสามารถในการใช้ระบบคลาวด์ TPU (หน่วยประมวลผลเทนเซอร์);
• แทนที่จะเป็นแบบจำลองที่ประกาศของการสร้างกราฟด้วยการดำเนินการผ่าน tf.Session คุณสามารถเขียนฟังก์ชันธรรมดาใน Python ได้ ซึ่งสามารถแปลงเป็นกราฟได้โดยใช้การเรียก tf.function จากนั้นจึงดำเนินการจากระยะไกล ทำให้เป็นอนุกรม หรือปรับให้เหมาะสม เพื่อประสิทธิภาพที่ดีขึ้น
• เพิ่มนักแปล ออโต้กราฟซึ่งแปลงสตรีมของคำสั่ง Python เป็นนิพจน์ TensorFlow ทำให้สามารถใช้โค้ด Python ภายในฟังก์ชัน tf.function-decorated, tf.data, tf.distribute และ tf.keras
• SavedModel รวมรูปแบบการแลกเปลี่ยนโมเดล และเพิ่มการสนับสนุนสำหรับการบันทึกและการกู้คืนสถานะของโมเดล ตอนนี้โมเดลที่คอมไพล์สำหรับ TensorFlow สามารถใช้ได้แล้ว TensorFlow Lite (บนอุปกรณ์เคลื่อนที่) เทนเซอร์โฟลว์ JS (ในเบราว์เซอร์หรือ Node.js) การให้บริการ TensorFlow и ฮับ ​​TensorFlow;
• tf.train.Optimizers และ tf.keras.Optimizers API ได้รับการรวมเป็นหนึ่งเดียว แทนที่จะเป็น compute_gradients มีการเสนอคลาสใหม่สำหรับการคำนวณการไล่ระดับสี เทปไล่ระดับสี;
• ประสิทธิภาพเพิ่มขึ้นอย่างมากเมื่อใช้ GPU
  ความเร็วของการฝึกโมเดลบนระบบที่มี NVIDIA Volta และ Turing GPU เพิ่มขึ้นถึงสามเท่า

• ดำเนินการ การล้างข้อมูล API ที่สำคัญ การเรียกหลายครั้งถูกเปลี่ยนชื่อหรือลบออก การสนับสนุนตัวแปรโกลบอลในเมธอดตัวช่วยหยุดลง แทนที่จะเป็น tf.app, tf.flags, tf.logging จะมีการเสนอ API แบบ absl-py ใหม่ หากต้องการใช้ API เก่าต่อไป เราได้เตรียมโมดูล compat.v1 แล้ว

ที่มา: opennet.ru