مشین لرننگ پلیٹ فارم کی اہم ریلیز ، جو مختلف ڈیپ مشین لرننگ الگورتھم کے ریڈی میڈ نفاذ فراہم کرتا ہے، Python میں ماڈلز بنانے کے لیے ایک سادہ پروگرامنگ انٹرفیس، اور C++ لینگویج کے لیے ایک نچلے درجے کا انٹرفیس جو آپ کو کمپیوٹیشنل گراف کی تعمیر اور اس پر عمل درآمد کو کنٹرول کرنے کی اجازت دیتا ہے۔ سسٹم کوڈ C++ اور Python اور میں لکھا گیا ہے۔ اپاچی لائسنس کے تحت۔
یہ پلیٹ فارم اصل میں گوگل برین ٹیم نے تیار کیا تھا اور گوگل سروسز میں اسپیچ ریکگنیشن، تصویروں میں چہروں کی شناخت، تصاویر کی مماثلت کا تعین کرنے، جی میل میں اسپام کو فلٹر کرنے، گوگل نیوز میں خبریں اور معنی کو مدنظر رکھتے ہوئے ترجمہ کو منظم کرنا۔ تقسیم شدہ مشین لرننگ سسٹم معیاری ہارڈ ویئر پر بنائے جا سکتے ہیں، متعدد CPUs یا GPUs میں حسابات کی تقسیم کے لیے TensorFlow کے بلٹ ان سپورٹ کی بدولت۔
TensorFlow ڈیٹا فلو گراف کے ذریعے لاگو کیے گئے ریڈی میڈ عددی حساب کتاب الگورتھم کی ایک لائبریری فراہم کرتا ہے۔ اس طرح کے گراف میں نوڈس ریاضی کی کارروائیوں یا ان پٹ/آؤٹ پٹ پوائنٹس کو نافذ کرتے ہیں، جبکہ گراف کے کنارے کثیر جہتی ڈیٹا اری (ٹینسر) کی نمائندگی کرتے ہیں جو نوڈس کے درمیان بہتے ہیں۔
نوڈس کو کمپیوٹنگ ڈیوائسز کے لیے تفویض کیا جا سکتا ہے اور متوازی طور پر ان کے لیے موزوں تمام تھیسرز کو ایک ہی وقت میں پروسیس کیا جا سکتا ہے، جس سے دماغ میں نیورونز کے بیک وقت ایکٹیویشن کے ساتھ مشابہت کے ذریعے اعصابی نیٹ ورک میں نوڈس کے بیک وقت آپریشن کو منظم کرنا ممکن ہو جاتا ہے۔
نئے ورژن کی تیاری میں بنیادی توجہ آسان بنانے اور استعمال میں آسانی پر تھی۔ :
- ماڈلز کی تعمیر اور تربیت کے لیے ایک نیا اعلیٰ سطحی API تجویز کیا گیا ہے۔ ، جو ماڈلز کی تعمیر کے لیے کئی انٹرفیس اختیارات فراہم کرتا ہے (تسلسل، فنکشنل، ذیلی طبقے) (پری تالیف کے بغیر) اور ایک سادہ ڈیبگنگ میکانزم کے ساتھ؛
- API کو شامل کیا گیا۔ تنظیم کے لئے موجودہ کوڈ میں کم سے کم تبدیلیوں کے ساتھ ماڈلز۔ بھر میں حساب کو پھیلانے کے امکان کے علاوہ سیکھنے کے عمل کو کئی آزاد پروسیسرز میں تقسیم کرنے اور کلاؤڈ کو استعمال کرنے کی صلاحیت کے لیے تجرباتی تعاون دستیاب ہے۔ (ٹینسر پروسیسنگ یونٹ)؛
- tf.Session کے ذریعے ایگزیکیوشن کے ساتھ گراف بنانے کے اعلانیہ ماڈل کے بجائے، Python میں عام فنکشن لکھنا ممکن ہے، جنہیں tf.function پر کال کا استعمال کرتے ہوئے، گراف میں تبدیل کیا جا سکتا ہے اور پھر دور سے عمل درآمد، سیریلائز، یا آپٹمائز کیا جا سکتا ہے۔ بہتر کارکردگی کے لیے؛
- مترجم کو شامل کیا گیا۔ ، جو Python کمانڈز کے سلسلے کو TensorFlow اظہار میں تبدیل کرتا ہے، جس سے Python کوڈ کو tf.function-decorated، tf.data، tf.distribute، اور tf.keras فنکشنز کے اندر استعمال کیا جا سکتا ہے۔
- SavedModel ماڈل ایکسچینج فارمیٹ کو متحد کرتا ہے اور ماڈل اسٹیٹس کو بچانے اور بحال کرنے کے لیے سپورٹ شامل کرتا ہے۔ TensorFlow کے لیے مرتب کردہ ماڈلز اب اس میں استعمال کیے جا سکتے ہیں۔ (موبائل آلات پر) (براؤزر یا Node.js میں)، и ;
- tf.train.Optimizers اور tf.keras.Optimizers APIs کو compute_gradients کے بجائے یکجا کر دیا گیا ہے، گریڈینٹ کا حساب لگانے کے لیے ایک نئی کلاس تجویز کی گئی ہے۔ ;
- GPU استعمال کرتے وقت کارکردگی میں نمایاں اضافہ۔
NVIDIA Volta اور Turing GPUs والے سسٹمز پر ماڈل ٹریننگ کی رفتار تین گنا تک بڑھ گئی ہے۔ - بڑی API کلین اپ، بہت سی کالوں کا نام تبدیل یا ہٹا دیا گیا، مددگار طریقوں میں عالمی متغیرات کے لیے سپورٹ بند کر دی گئی۔ tf.app، tf.flags، tf.logging کے بجائے، ایک نیا absl-py API تجویز کیا گیا ہے۔ پرانے API کا استعمال جاری رکھنے کے لیے compat.v1 ماڈیول تیار کیا گیا ہے۔
ماخذ: opennet.ru