แพลตฟอร์มดังกล่าวได้รับการพัฒนาโดยทีมงาน Google Brain และใช้ในบริการต่างๆ ของ Google สำหรับการจดจำคำพูด การระบุใบหน้าในรูปถ่าย การกำหนดความคล้ายคลึงกันของรูปภาพ การกรองสแปมใน Gmail
TensorFlow มีไลบรารีอัลกอริธึมการคำนวณเชิงตัวเลขสำเร็จรูปที่ใช้งานผ่านกราฟกระแสข้อมูล โหนดในกราฟดังกล่าวใช้การดำเนินการทางคณิตศาสตร์หรือจุดอินพุต/เอาต์พุต ในขณะที่ขอบของกราฟแสดงถึงอาร์เรย์ข้อมูลหลายมิติ (เทนเซอร์) ที่ไหลระหว่างโหนด
โหนดสามารถกำหนดให้กับอุปกรณ์คอมพิวเตอร์และดำเนินการแบบอะซิงโครนัสพร้อมกันในการประมวลผลทฤษฎีทั้งหมดที่เหมาะสมสำหรับอุปกรณ์เหล่านั้นในคราวเดียว ซึ่งทำให้สามารถจัดระเบียบการทำงานของโหนดในโครงข่ายประสาทเทียมพร้อมกันได้โดยการเปรียบเทียบกับการกระตุ้นเซลล์ประสาทในสมองพร้อมกัน
จุดสนใจหลักในการเตรียมเวอร์ชันใหม่คือความเรียบง่ายและใช้งานง่าย
- มีการเสนอ API ระดับสูงใหม่สำหรับการสร้างและการฝึกอบรมโมเดล
Keras ซึ่งมีตัวเลือกอินเทอร์เฟซมากมายสำหรับโมเดลการสร้าง (ตามลำดับ, ฟังก์ชัน, คลาสย่อย) ที่มีความสามารถการดำเนินการทันที (โดยไม่ต้องคอมไพล์ล่วงหน้า) และมีกลไกการดีบักอย่างง่าย - เพิ่ม API
tf.distribute.กลยุทธ์ สำหรับองค์กรการเรียนรู้แบบกระจาย โมเดลที่มีการเปลี่ยนแปลงโค้ดที่มีอยู่เพียงเล็กน้อย นอกจากความเป็นไปได้ในการกระจายการคำนวณออกไปแล้วGPU หลายตัว มีการสนับสนุนการทดลองเพื่อแบ่งกระบวนการเรียนรู้ออกเป็นโปรเซสเซอร์อิสระหลายตัวและความสามารถในการใช้ระบบคลาวด์TPU (หน่วยประมวลผลเทนเซอร์); - แทนที่จะเป็นแบบจำลองที่ประกาศของการสร้างกราฟด้วยการดำเนินการผ่าน tf.Session คุณสามารถเขียนฟังก์ชันธรรมดาใน Python ได้ ซึ่งสามารถแปลงเป็นกราฟได้โดยใช้การเรียก tf.function จากนั้นจึงดำเนินการจากระยะไกล ทำให้เป็นอนุกรม หรือปรับให้เหมาะสม เพื่อประสิทธิภาพที่ดีขึ้น
- เพิ่มนักแปล
ออโต้กราฟ ซึ่งแปลงสตรีมของคำสั่ง 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 иฮับ 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