makabuluhang pagpapalabas ng machine learning platform , na nagbibigay ng mga nakahandang pagpapatupad ng iba't ibang malalim na algorithm sa pag-aaral ng makina, isang simpleng interface ng programming para sa pagbuo ng mga modelo sa Python, at isang mababang antas na interface para sa wikang C++ na nagbibigay-daan sa iyong kontrolin ang pagbuo at pagpapatupad ng mga computational graph. Ang system code ay nakasulat sa C++ at Python at sa ilalim ng lisensya ng Apache.
Ang platform ay orihinal na binuo ng Google Brain team at ginagamit sa mga serbisyo ng Google para sa pagkilala sa pagsasalita, pagtukoy ng mga mukha sa mga litrato, pagtukoy sa pagkakapareho ng mga larawan, pag-filter ng spam sa Gmail, balita sa Google News at pagsasaayos ng pagsasalin na isinasaalang-alang ang kahulugan. Maaaring gawin ang mga distributed machine learning system sa karaniwang hardware, salamat sa built-in na suporta ng TensorFlow para sa pamamahagi ng mga kalkulasyon sa maraming CPU o GPU.
Nagbibigay ang TensorFlow ng isang library ng mga nakahanda nang numerical calculation algorithm na ipinatupad sa pamamagitan ng mga data flow graph. Ang mga node sa naturang mga graph ay nagpapatupad ng mga mathematical operations o input/output point, habang ang mga gilid ng graph ay kumakatawan sa mga multidimensional data array (tensors) na dumadaloy sa pagitan ng mga node.
Ang mga node ay maaaring italaga sa mga aparato sa pag-compute at isagawa nang asynchronous, sabay-sabay na pinoproseso ang lahat ng mga thesor na angkop para sa kanila nang sabay-sabay, na ginagawang posible upang ayusin ang sabay-sabay na operasyon ng mga node sa isang neural network sa pamamagitan ng pagkakatulad sa sabay-sabay na pag-activate ng mga neuron sa utak.
Ang pangunahing pokus sa paghahanda ng bagong bersyon ay sa pagpapasimple at kadalian ng paggamit. :
- Ang isang bagong mataas na antas ng API ay iminungkahi para sa pagbuo at pagsasanay ng mga modelo , na nagbibigay ng ilang mga opsyon sa interface para sa pagbuo ng mga modelo (Sequential, Functional, Subclassing) na may kakayahang (nang walang pre-compilation) at may simpleng mekanismo ng pag-debug;
- Idinagdag ang API para sa organisasyon mga modelo na may kaunting pagbabago sa umiiral na code. Bilang karagdagan sa posibilidad ng pagkalat ng mga kalkulasyon sa kabuuan , magagamit ang pang-eksperimentong suporta para sa paghahati ng proseso ng pag-aaral sa ilang mga independiyenteng processor at ang kakayahang gumamit ng cloud (Tensor processing unit);
- Sa halip na isang deklaratibong modelo ng pagbuo ng isang graph na may execution sa pamamagitan ng tf.Session, posible na magsulat ng mga ordinaryong function sa Python, na, gamit ang isang tawag sa tf.function, ay maaaring ma-convert sa mga graph at pagkatapos ay malayuang isagawa, serialized, o optimized para sa pinabuting pagganap;
- Nagdagdag ng tagasalin , na nagko-convert ng stream ng mga Python command sa TensorFlow expression, na nagpapahintulot sa Python code na magamit sa loob ng tf.function-decorated, tf.data, tf.distribute, at tf.keras function;
- Pinagsasama ng SavedModel ang format ng palitan ng modelo at nagdaragdag ng suporta para sa pag-save at pagpapanumbalik ng mga estado ng modelo. Magagamit na ngayon ang mga modelong pinagsama-sama para sa TensorFlow (sa mga mobile device), (sa browser o Node.js), ΠΈ ;
- Pinag-isa ang tf.train.Optimizers at tf.keras.Optimizers API; sa halip na compute_gradients, isang bagong klase ang iminungkahi para sa pagkalkula ng mga gradient ;
- Malaking pagtaas ng performance kapag gumagamit ng GPU.
Ang bilis ng pagsasanay ng modelo sa mga system na may NVIDIA Volta at Turing GPU ay tumaas hanggang tatlong beses; - Ang pangunahing paglilinis ng API, maraming tawag ang pinalitan o inalis, ang suporta para sa mga pandaigdigang variable sa mga pamamaraan ng helper ay tumigil. Sa halip na tf.app, tf.flags, tf.logging, isang bagong absl-py API ang iminungkahi. Para patuloy na magamit ang lumang API, inihanda ang compat.v1 module.
Pinagmulan: opennet.ru