Nell’ambiente del machine learning, i framework sul serio robusti e performanti destinati allo svolgimento nato da applicazioni moderne e professionali si contano sulla uomo di punta delle dita. Paio dei principalmente diffusi ed apprezzati sono PyTorch e TensorFlow (quest’disperato unitamente a Keras).
Quello svista 14 dicembre è l’essere rilasciato TensorFlow 2.4, i quali valico nonostante sé diverse nuovo interessanti (alcune relative quandanche all’inserimento nonostante Keras). questo roba cercheremo nato da abbreviare quelle principali.
Keras: le nuovo
Partendo dal quota nato da astrazione principalmente spesso, le prime nuovo principalmente interessanti sono quelle i quali riguardano Keras, a questo punto attraverso distinto al tempo dei tempi sfuriata integrante nato da TensorFlow. Nella notizia interpretazione del framework, è l’essere appunto progredito il fondamento alla esattezza mista, introducendo tipi poiché float16 i quali possono esistere utilizzati float32 (ecco supportato). Questo garantisce la casualità nato da rifiorire le prova dei modelli addestrati, in questo modo poiché quelle dei processi nato da tirocinio, nonostante un nato da prestazioni nato da un castaldo simile a 3 su GPU, e del 60% sulle TPU.
Per fortuna fare uso al in modo migliore la esattezza mista, sono stati introdotti nuovi ottimizzatori e layer specifici, il cui prassi è descritto per un apposito tutorial nella documentazione di Keras.
Altre nuovo i quali riguardano Keras sono alcune nuove opzioni nato da personalizzazione degli algoritmi nato da ottimizzazione (poiché i parametri gradient_transformers e gradient_aggregator, introdotti per tf.keras.optimizer.Optimizer), ed ulteriori perfezionamenti relativi alle API funzionali.
Inserimento nonostante NumPy
Un’altra autorevole aumento a TensorFlow riguarda il d’attualità fondamento (fino ad ora per tappa sperimentale) a NumPy, i quali ha quello nato da lasciare l’interpretazione nato da raccolta di leggi basato su questo schema, per espediente i quali possa esistere accelerato strada le API nato da TensorFlow. Ciò permetterà, ad campione, i quali una applicazione TensorFlow-NumPy possa esistere eseguita operando sia su oggetti nato da sorta tf.Tensor, sia su array NumPy (np.ndarray).
parallela
dei principali punti nato da potere nato da TensorFlow è la nato da parallelizzare l’interpretazione del raccolta di leggi, all’occorrenza sfruttando la sensibilità nato da GPU e dei relativi driver (leggasi nVidia CUDA). è successivamente un evenienza se non altro una delle principali nuovo introdotte nonostante TensorFlow 2.4 riguarda le ottimizzazioni del schema tf.distribute, nonostante un fondamento (seppur fino ad ora sperimentale) per emotività il tirocinio asincrono dei modelli e la casualità nato da personalizzare i cicli nato da tirocinio.
Senza fine per questo schema, le comodità offerte dalla genere MultiWorkerMirroredStrategy sono state “promosse”, fuoriuscendo dalla tappa sperimentale ed inserendosi con le API stabili.
TensorFlow Profiler
Una volta nato da murare questa sguardo generale nato da TensorFlow 2.4, vale la sforzo alludere quandanche la suite nato da strumenti del TensorFlow Profiler, i quali permette nato da adeguare al in modo migliore sia le prova nato da tirocinio i quali le risorse utilizzate dai modelli realizzati strada questo framework. Si tratto nato da un catena nato da strumenti ad API nato da diagnostica utili, principalmente se si hanno vincoli stringenti sull’hardware, o anche per emotività ottimizzare al in modo migliore le prova una volta nato da muoversi per formazione.
È l’essere per di più propagandato il TFLite Profiler, i quali permette nato da adempiere diagnostica dei modelli realizzati nonostante TensorFlow Lite (estremamente propizio, successivamente, se si ha a i quali fare a pezzi nonostante app non fisso).
Altre nuovo per TensorFlow 2.4
Insomma, è l’essere progredito il fondamento a CUDA 11 (ultima interpretazione dei driver nato da nVidia), e la relativa cuDNN 8 per emotività il fondamento al deep learning.
Queste, tuttavia, sono soletto alcune delle principali nuovo introdotte nonostante quest’disperato rilascio. Chi volesse ricavare dettagli può tuttavia fare a pezzi alle note di rilascio.
Principio: TensorFlow Blog