Versi baharu TensorFlow mempunyai bendera lain! Pasukan rasmi menjelaskan "empat tiang": komited kepada 100% keserasian ke belakang dan dikeluarkan pada 2023

Antara TensorFlow dan PyTorch, siapa yang anda pilih?

Ahli alkimia mesti telah diseksa oleh TF, imej statik, isu pergantungan, tidak dapat dijelaskanTukar antara muka, walaupun selepas Google mengeluarkan TF 2.0 masalah itu masih belum selesai. Selepas saya bertukar kepada PyTorch kerana terdesak, dunia menjadi lebih jelas.

"Hidup ini singkat, saya menggunakan PyTorch"

Malah Google mula mengumumkan rangka kerja pengkomputeran generasi baharu JAX Melihatnya, nampaknya pegawai-pegawai telah menyerah pada TF TensorFlow hanya setengah langkah dari kubur.

Sebelum ulang tahun ketujuh TF, pasukan pembangunan TensorFlow menerbitkan blog yang mengumumkan bahawa TensorFlow akan terus dibangunkan dan akan dilancarkan pada 2023 Versi baharu akan dikeluarkan pada tahun ini untuk membetulkan antara muka yang kotor, tidak kemas dan buruk, dan berjanji akan 100% serasi ke belakang !

TensorFlow berjuang untuk masa depan

Kira-kira tujuh tahun lalu, iaitu pada 9 November 2015, TensorFlow secara rasminya adalah sumber terbuka.

Sejak itu, beribu-ribu penyumbang sumber terbuka dan pakar pembangunan Google dalam komuniti, penganjur komuniti, penyelidik dan pendidik global telah melabur dalam pembangunan TensorFlow unggul.

Tujuh tahun kemudian, TensorFlow ialah platform pembelajaran mesin yang paling biasa digunakan, digunakan oleh berjuta-juta pembangun.

TF ialah perpustakaan sumber perisian peringkat ketiga di gitHub (selepas Vue dan React), dan juga merupakan pembelajaran mesin yang paling banyak dimuat turun pada perisian PyPI pakej.

TF juga membawa pembelajaran mesin ke dalam ekosistem mudah alih: TFLite berjalan pada 4 bilion peranti.

TensorFlow juga membawa pembelajaran mesin ke penyemak imbas: TensorFlow.js dimuat turun 170,000 kali seminggu.

TensorFlow menguasai hampir semua pembelajaran mesin pengeluaran merentas portfolio produk Google, termasuk Carian, GMail, YouTube, Peta, Play, Iklan, Foto dan banyak lagi.

Selain Google, antara anak syarikat Alphabet yang lain, TensorFlow dan Keras juga menyediakan asas kecerdasan mesin untuk kereta pandu sendiri Waymo.

Di seluruh industri yang lebih luas, TensorFlow memperkasakan sistem pembelajaran mesin di beribu-ribu syarikat, termasuk kebanyakan pengguna pembelajaran mesin terbesar di dunia — Apple, ByteDance, Netflix , Tencent, Twitter, dsb.

Dalam bidang penyelidikan, setiap bulan, Google Scholar menyertakan lebih daripada 3,000 dokumen saintifik baharu yang menyebut TensorFlow atau Keras

TF Today, penggunanya asas dan ekosistem pembangun adalah lebih besar dari sebelumnya dan masih berkembang!

Pembangunan TensorFlow bukan sahaja pencapaian yang patut diraikan, tetapi juga peluang untuk memberikan lebih nilai kepada komuniti pembelajaran mesin.

Matlamat pasukan pembangunan adalah untuk menyediakan platform pembelajaran mesin terbaik di planet ini dan bekerja keras untuk mengubah pembelajaran mesin daripada industri khusus kepada industri matang seperti pembangunan web.

Untuk mencapai matlamat ini, pasukan pembangunan bersedia mendengar keperluan pengguna, menjangka arah aliran industri baharu, mengulang antara muka perisian dan berusaha untuk menjadikan inovasi berskala besar semakin mudah.

Pembelajaran mesin sedang berkembang pesat, begitu juga dengan TensorFlow.

Pasukan pembangunan telah mula mengusahakan lelaran TensorFlow seterusnya, yang akan menyokong pembangunan pembelajaran mesin dekad seterusnya dan berjuang untuk masa depan bersama-sama!

Empat tiang TensorFlow

Pantas dan boleh skala: Kompilasi XLA, pengkomputeran teragih, pengoptimuman prestasi

TF akan menumpukan pada kompilasi XLA, berdasarkan kelebihan prestasi TPU, menjadikan latihan dan aliran kerja inferens kebanyakan model lebih pantas pada GPU dan CPU. Pasukan pembangunan berharap XLA akan menjadi standard industri untuk penyusun pembelajaran mendalam, dan ia kini menjadi sumber terbuka sebagai sebahagian daripada inisiatif OpenXLA.

Pada masa yang sama, pasukan itu juga mula mengkaji antara muka baru DTensor yang boleh digunakan untuk model selari berskala besar, yang mungkin membuka masa depan latihan model yang sangat besar dan penempatan. Apabila pengguna membangunkan model besar, walaupun mereka menggunakan berbilang pelanggan pada masa yang sama, ia terasa seperti berlatih pada satu mesin.

DTensor akan disatukan dengan antara muka tf.distribution untuk menyokong model fleksibel dan selari data.

Pasukan pembangunan juga akan menyelidik lanjut teknik pengoptimuman prestasi algoritma, seperti ketepatan campuran dan pengiraan ketepatan yang dikurangkan, yang boleh memberikan peningkatan kelajuan GPU dan TPU yang banyak.

Pembelajaran Mesin Gunaan

Menyediakan alatan baharu untuk bidang penglihatan komputer dan pemprosesan bahasa semula jadi.

Ekosistem pembelajaran mesin gunaan sedang diusahakan oleh pasukan, khususnya melalui pakej KerasCV dan KerasNLP yang menyediakan komponen modular dan boleh gubah untuk kes penggunaan CV dan NLP gunaan, termasuk sejumlah besar keadaan Model terlatih -of-the-art.

Bagi pembangun, pasukan itu juga akan menambah lebih banyak sampel kod, panduan dan dokumentasi untuk kes penggunaan pembelajaran mesin gunaan yang popular dan baru muncul, yang terbaik matlamatnya adalah untuk mengurangkan secara beransur-ansur halangan industri terhadap pembelajaran mesin dan mengubahnya menjadi alat di tangan setiap pembangun.

Lebih mudah digunakan

Pembangun akan dapat mengeksport model dengan mudah, seperti ke peranti mudah alih (Android atau iOS ), peranti tepi (mikropengawal), hujung belakang pelayan atau JavaScript akan menjadi lebih mudah.

Pada masa hadapan, mengeksport model ke TFLite dan TF.js dan mengoptimumkan prestasi inferens mereka akan semudah memanggil mod.export().

Pada masa yang sama, pasukan itu juga sedang membangunkan antara muka TF2 C++ awam untuk penaakulan sebelah pelayan asli, yang boleh digunakan secara langsung sebagai sebahagian daripada program C++.

Sama ada anda membangunkan model menggunakan JAX dan TensorFlow Serving, atau model mudah alih dan web yang dibangunkan menggunakan TensorFlow Lite dan TensorFlow.js, ia akan menjadi lebih mudah untuk digunakan.

Lebih mudah

Memandangkan bidang pembelajaran mesin telah berkembang sejak beberapa tahun kebelakangan ini , TensorFlow juga mempunyai bilangan antara muka yang semakin meningkat, dan ia tidak selalu dipersembahkan dengan cara yang konsisten atau mudah difahami.

Pasukan pembangunan sedang giat menyepadukan dan memudahkan API ini, seperti mengguna pakai standard API NumPy untuk nombor.

Penyahpepijat model juga merupakan isu yang perlu dipertimbangkan Rangka kerja yang sangat baik bukan sahaja reka bentuk antara muka APInya, tetapi juga pengalaman penyahpepijatan.

Matlamat pasukan adalah untuk meminimumkan masa penyelesaian untuk membangunkan mana-mana sistem pembelajaran mesin gunaan melalui keupayaan penyahpepijatan yang lebih baik.

Komitmen: 100% keserasian ke belakang

Pasukan pembangunan berharap TensorFlow akan menjadi asas industri pembelajaran mesin, jadi kestabilan API juga adalah yang paling ciri penting.

Sebagai jurutera yang bergantung pada TensorFlow sebagai sebahagian daripada produk, dan sebagai pembina pakej ekosistem TensorFlow, anda boleh menaik taraf kepada versi TensorFlow terkini dan segera memanfaatkan ciri baharu dan peningkatan prestasi tanpa bimbang bahawa asas kod sedia ada anda mungkin rosak.

Oleh itu, pasukan pembangunan menjanjikan keserasian ke belakang penuh daripada TensorFlow 2 ke versi seterusnya.

Kod TensorFlow 2 berjalan seperti sedia ada, tanpa transcoding diperlukan dan tiada perubahan manual diperlukan.

Pasukan merancang untuk mengeluarkan versi pratonton ciri TensorFlow baharu pada suku kedua 2023, dan akan mengeluarkan versi produk lewat tahun ini.

Atas ialah kandungan terperinci Versi baharu TensorFlow mempunyai bendera lain! Pasukan rasmi menjelaskan "empat tiang": komited kepada 100% keserasian ke belakang dan dikeluarkan pada 2023. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!