Tutto quello che devi Sapere Su TensorFlow 2.0 Per Scrivere il Tuo Primo ML ProgrammeBIG Dati


Recentemente, la macchina di apprendimento del mondo è stato presentato con una versione migliore di un quadro che è stato molto popolare, ma è stato criticato per le Api complesse, disordinata raccolta di pacchetti (la maggior parte delle quali sono state deprecate) e sciolto le funzionalità di debug.

TensorFlow 2.0, con l’obiettivo di ottenere indietro il più trazione che sembra spostarsi verso PyTorch tra gli altri quadri. Ora, TensorFlow ultima versione migliora il suo passato incapabilities promettente molto per la crescita della comunità.



PyTorch, l’unica concorrente per TensorFlow oggi, ha guadagnato più popolarità e trazione, negli ultimi mesi, a causa della flessibilità nell’attuazione profondi e complessi modelli di apprendimento.

In questo articolo, daremo un’occhiata attraverso TensorFlow, e imparare che la sua nuova versione porta i progettisti di piatto:


W3Schools


Il Motivo Dietro TensorFlow Popolarità

Nato da un’idea di Google, TensorFlow è probabilmente il più affidabile e ampiamente accettato profonda contesto di apprendimento per gli ambienti di produzione. È scritto in C++ e fornisce stabile Api per C++ e il deep learning-friendly Python. TensorFlow collezione di strumenti, librerie e grande comunità di supporto è perfettamente ferita ecosistema che consente agli sviluppatori di distribuire ML-powered applicazioni.
Immagine dal Profondo di Apprendimento Quadro di Alimentazione Punteggi 2018
La funzionalità può essere una risposta alla domanda, e il fatto che è venuta da Google aggiunge la propria fiducia e l’aspettativa di vita.

Ampio supporto per Python, che è la più popolare e la lingua scelta per la Macchina di Apprendimento, capacità di correre sulle nuvole e i cluster di GPU e di compatibilità per attività di intensivo di risorse, la capacità di eseguire modelli di piattaforme mobili come iOS e Android sono tutti ottimi motivi.

Un altro motivo è la perfetta integrazione con un altro e più profondo di apprendimento quadro chiamato Keras.

La decisione di Google di supporto Keras in TensorFlow core library è stata una grande mossa che ha dato TensorFlow un vantaggio rispetto ai suoi concorrenti, come misura per affrontare la sua cattiva reputazione come altamente dettagliato e difficile da capire quadro.

Keras fornisce una API di alto livello per più di framework come TensorFlow, Microsoft Cognitive Toolkit (Preziosamente chiamato CNTK), Teano e PlaidML ma un contributo importante per la propria crescente popolarità è TensorFlow come Keras è per lo più preferito con TensorFlow come backend.

Questi sono giusti motivi per la sua popolarità. Anche con tutti questi vantaggi, TensorFlow manca qualcosa che gli sviluppatori trovato in altri quadri come PyTorch.

Svantaggi Di TensorFlow 1.x

Il seguente grafico illustra la crescente domanda di PyTorch.
Immagine da Stato di Machine Learning Quadri nel 2019
Come brevemente accennato nella sezione precedente, oltre ad essere il top quadro adottate, TensorFlow avuto una cattiva reputazione come un dettagliato quadro che ha bisogno di un sacco di codice per implementare con successo una rete neurale. Il codice di seguito blocchi confronta diverse versioni di TensorFlow.

Meno intuitivo, e senza la giusta comprensione, cose come il debug può ottenere abbastanza disordinato.

TensorFlow utilizza statico computazionale grafico che deve essere definito prima di calcoli vengono eseguiti e per le eventuali modifiche dell’architettura, il modello deve essere riqualificato.

Benvenuto TensorFlow 2.0

TensorFlow 2.0 è una ripulita versione del suo predecessore. Vedremo alcuni dei profondi cambiamenti in questa versione.

Ripulito API

TensorFlow 2.0 viene fornito con un articolato insieme di librerie e pacchetti. Deprecati librerie sono state rimosse e tf.* spazio dei nomi è stata pulita per escludere i meno utilizzati in pacchetti.

Altre modifiche includono riordinare gli argomenti, rinominato simboli, e cambiato i valori di default per i parametri. TensorFlow 2.0 viene fornito anche con la v2 script di aggiornamento che consente agli sviluppatori di aggiornare il proprio codice di V2 con meno sforzo.

Fare clic qui per lo script di aggiornamento.

Desideroso di esecuzione

TensorFlow 2.0 viene fornito di default con desideroso modalità di esecuzione. Una caratteristica che è stata aggiunta nella versione 1.4, permette agli utenti di vedere l’uscita in movimento, piuttosto che attendere che il modello che deve essere eseguita.

Con TensorFlow 2.0, gli sviluppatori non hanno più bisogno di attivare questa modalità manualmente e offre la flessibilità necessaria per facilitare il debug.

Vedi Anche

Clicca qui per leggere di più su Desideroso Modalità di Esecuzione.

Tenere Traccia Delle variabili

TensorFlow 2 permette agli utenti di seguire meglio le variabili create utilizzando tf.variabile(). Nelle versioni precedenti, la variabile dovrebbe rimanere in un grafico, anche se la variabile Python indicando che è stato perso. Recupero la variabile può essere fatto solo se l’utente potrebbe ricordo il nome che era stato inizialmente creato con.TensorFlow 2.0 elimina tutti i problemi associati con le variabili e i loro ambiti.

TensorFlow funzioni

TensorFlow 2 consente agli sviluppatori di combinare le modalità grafico e desideroso modalità di utilizzo di una funzione di decoratore che può essere utilizzato per creare una funzione che viene eseguita in modalità grafico.

TensorFlow 2 utilizza tf.function() invece di sessioni. tf.function() può essere usato per marcare una funzione Python per la compilazione JIT per l’esecuzione come un unico grafico. Portabilità e prestazioni sono due principali vantaggi della modalità grafico.

# TensorFlow 1.X
uscite = session.run(f(segnaposto), feed_dict={segnaposto: ingresso})
# TensorFlow 2.0<c/ode>
uscite = f(input)

Con Python è il più favorito di lingua, di interpretare il codice in un non-Python ambiente è un problema. Questa è una preoccupazione per la portabilità, tuttavia, con TensorFlow 2.0, l’Autografo funzione consente la conversione di un sottoinsieme di Python costruisce in loro TensorFlow equivalente.

Altri Miglioramenti

TensorFlow sostiene che con la sua ultima versione, lo sviluppo di ML applicazioni sarà molto più facile e il più vicino e familiare, come possibile agli sviluppatori Python. La stretta integrazione con Karas rende più user-friendly e intuitiva.

Standardizzato SavedModel formato di file per una varietà di runtime, come il cloud, web browser, Node.js, mobile e sistemi embedded, la Strategia di Distribuzione di API per distribuire formazione con minime modifiche al codice e a migliorare la formazione prestazioni e la velocità sono tra i principali vantaggi di TensorFlow 2.0
Immagine da TensorFlow 2.0 è ora disponibile!

TensorFlow 2.0 – Una Semplice Regressione Di Rete

In Un Guscio Di Noce

TensorFlow 2.0 tutti la maggior parte tutti i problemi del predecessore, e rende più facile per gli sviluppatori di utilizzare. Con questo importante aggiornamento, TensorFlow è di nuovo in gara, sperando di riuscire a riconquistare la trazione che aveva perso a altre strutture principalmente PyTorch.


La registrazione per i nostri prossimi eventi:


Goduto di questa storia? Unisciti al nostro Telegramma di gruppo. E di essere parte di un coinvolgente di tutta la comunità.


La nostra classifica annuale di Programmi di Intelligenza Artificiale in India per il 2019 è fuori. Controlla qui.

Fornire i vostri commenti qui sotto

commenti

social experiment by Livio Acerbo #greengroundit #live https://analyticsindiamag.com/everything-you-need-to-know-about-tensorflow-2-0-to-write-your-first-ml-programme/