Googleova biblioteka za mašinsko obučavanje TensorFlow 1.8 dodaje poboljšanu podršku za Google Cloud TPU i prethodno preuzimanje u memoriju grafičkog procesora. TensorFlow, Google-ov doprinos svetu mašinskog učenja i nauke o podacima, predstavlja opšti okvir za brzo razvijanje neuronskih mreža. Uprkos tome što je relativno nov, TensorFlow se već prihvata kao zajednička platforma za duboko obučavanje, zahvaljujući snažnim apstrakcijama i lakoći korišćenja.
Gde da preuzmete TensorFlow
Uputstva za instalaciju TensorFlow na Ubuntu Linux, MacOS i Microsoft Windows dostupna su na stranici projekta TensorFlow. Korisnici Dockera mogu preuzmu unapred urađenu sliku TensorFlowDocker direktno iz Docker Hub-a. Takođe možete da prevedete izvorni kôd u binarni; izvor je dostupan na GitHub-u.
Trenutna verzija: TensorFlow 1.8 nove funkcije
Nove dodaci u TensorFlow 1.8 uključuju:
– Mogućnost prethodnog preuzimanja podataka u memoriju grafičkog procesora. Ovo može ubrzati operacije grafičkog procesora gde su podaci unapred poznati, jer se onda mogu svi odjednom kopirati u grafički procesor.
– Podrška za konfiguraciju kanala treće generacije za tenzorske procesore u oblaku, „što poboljšava performanse i korisnost“, kaže Google. Tenzorski procesorii su hardverske jedinice dostupne isključivo u Google Cloud-u koje ubrzavaju performanse TensorFlow.
– Doprinos podršci za čitanje i pisanje protokolnih bafera unutar TensorFlow-a, kao i podrška za stariju RPC komunikaciju pomoću biblioteka tf.contrib.proto i tf.contrib.rpc.
TensorFlow 1.7 nove funkcije
Glavne nove funkcije u TensorFlow 1.7 uključuju:
– Uvođenje eager izvršenja, programskog modela koji odmah ocenjuje operacije, umesto da gradi grafikon koji se izvršava kasnije. Eager izvršavanje je korisno za programiranje projekata i okruženja u kojima želite povratne informacije u realnom vremenu, na primer u Python REPL-u.
– Dopunjeni modul tf.contrib.data.SqlDataset dozvoljava da se baza podataka SQLite pročita kao skup podataka.
– Modul tf.regex_replace obezbeđuje tekstualnu obradu sintakse regularnog izraza. Na ovaj način, tenzori tipa string mogu da se obrade direktno unutar TensorFlow-a, što je brže nego što se to radi u Python-u ili pomoću biblioteke stringova drugog dobavljača.
– Dodavanje matične TensorRT podrške u TensorFlow preko modula tf.contrib.tensorrt. TensorRT je Nvidijin „optimizator i izvršno okruženje dubokog učenja “ koje koristi Nvidia grafičke procesore radi ubrzavanja performansi.
TensorFlow 1.6 nove funkcije
Glavni novi dodaci u TensorFlow 1.6 uključuju:
– Promene na predugrađenim binarnim uređajima, koji sada koriste CUDA 9.0 i CuDNN 7, kao i set AVX instrukcija. Ova poslednja promena može da ruši TensorFlow na onom što tim za TensorFlow naziva „starijim procesorima“. Verovatno to znači sve što je starije od Intelovog Sandy Bridgea i AMD-ovih procesora Bulldozer, koji su se isporučivali u 2011. godini.
– XLA sada podržava brze Fourierove transform funkcije (FFT).
– CUDA-ubrzani TensorFlow sada može da se pravi za Android uređaje koristeći čipset Tegra.
TensorFlow 1.5 nove funkcije
Najveće promene u TensorFlow 1.5 uključuju:
– TensorFlow Lite, verzija TensorFlow optimizovana za mobilne i ugrađene uređaje, dostupna je kao prethodni pregled razvoja. Modeli kreirani za Lite žrtvuje preciznost za brzinu i veličinu, ali razlike u preciznosti se gotovo uvek mogu lako nadoknaditi.
– XLA linear algebra prevodilac, koji optimizuje određena TensorFlow računanja, bilo unapred ili pravovremeno, ima nekoliko optimizacija.
– Modul tf.contrib dobija nekoliko dodataka, kao što su tf.contrib.bayesflow.layers, implementacija probabilističke neuronske mreže (PNN).
TensorFlow 1.4 nove funkcije
Novi dodaci TensorFlow 1.4 uključuju:
– API tf.keras vam omogućava da koristite API Keras, neuronsku mrežnu biblioteku koja prethodi TensorFlow-u, ali se brzo zamenjuje. TensorFlow API Keras je obezbeđen uglavnom zbog kompatibilnosti sa ranijim verzijama, ili da bi se olakšalo prenošenje Kerasa na TensorFlow.
– API tf.data ili Dataset API obezbeđuje skup apstrakcija za stvaranje i višekratnu upotrebu ulaznih kanala – potencijalno kompleksnih skupova podataka izrađenih iz jednog ili više izvora, pri čemu se svaki element transformiše po potrebi. Ovo je korisno ako kreirate tokove posla koji zahtevaju više prolaza za obuku ili drugu kompleksnu unutrašnju logiku.
– Ako ste već koristili dopunjenu verziju API-ja podataka iz prethodne verzije TensorFlow-a (tf.contrib.data), obratite pažnju na to da zvanični API tf.data nije savršeno kompatibilan unazad. Dokumentacija TensorFlow sadrži druge detalje o tome kako da migrirate sa tf.contrib.data i umesto toga koristite zvaničnu biblioteku tf.data.
– Nova funkcija train_and_evaluate pruža jednostavan način za pokretanje TensorFlow-ovog Estimatora (koristi se za automatsko konfigurisanje zajedničkih parametara modela) na distribuiran način preko klastera.
– Sistem za rešavanje grešaka ugrađen u TensorFlow vam sada omogućava da izvršite bilo koji Python kôd u komandnoj liniji za debager za brzo i površno ispitivanje ili modifikaciju.
Izvor: InfoWorldp