Google TensorFlow有一个新版本,具有更快的模型训练功能,并且已迁移到Keras作为用于构建和训练模型的中央高级API。
TensorFlow是Google的开源工具,可用于广泛的并行计算,包括实现神经网络和其他AI学习方法。它旨在简化神经网络的使用,并且比其他方法更通用,更容易。Keras已在1.4版中添加,但现在已成为中央API。这是一个机器学习框架,它本身就是一个神经网络API。它是用Python编写的,开发时着眼于快速实验。
训练模型性能的提高来自与TensorRT的紧密集成,TensorRT是Nvidia的深度学习推理优化器,通常在ResNet-50和基于BERT的应用程序中使用。Nvidia表示,借助TensorRT和TensorFlow 2.0,开发人员可以将推理速度提高7倍。
Keras紧密集成以及其他改进(包括默认情况下急切执行和Pythonic函数执行)的目的是使TensorFlow对Python开发人员感到熟悉。
TensorFlow中急切的执行意味着可以立即对操作进行评估,而无需构建图:操作返回具体值,而不是构建计算图以便稍后运行。
Pythonic函数执行是指必须通过TensorFlow会话来构建图形并执行该图形的更改。现在不建议使用此方法,而应通过编写常规的Python函数来代替。然后可以将这些功能转换为可以远程执行,序列化和针对性能进行优化的图形。
其他改进意味着开发人员将能够使用分发策略API来以最少的代码更改分发培训。该API支持Keras model.fit以及自定义训练循环的分布式训练。
此版本还对SavedModel文件格式进行了标准化。这意味着您可以在各种运行时上运行模型,包括云,Web,浏览器,Node.js,移动和嵌入式系统。您可以使用TensorFlow运行模型,通过TensorFlow Serving部署模型,通过TensorFlow Lite在移动和嵌入式系统上使用它们,以及通过TensorFlow.js在浏览器或Node.js中进行训练和运行。
TensorFlow 2.0可以在GitHub上下载。
郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。