Tensorflow 2.0 تنسورفلو 2

کتابخانه ی TensorFlow 2.0 اکنون در دسترس است!

نوشته شده توسط تیم تنسورفلو :

اوایل امسال ما نسخه آلفای ۲٫۰ TensorFlow را در نشست TensorFlow Dev Summit معرفی کردیم. امروز ما خوشحال هستیم تا اعلام کنیم که در نهایت نسخه ۲٫۰ این برنامه منتشر شده و هم اکنون در دسترس است! برای آموزش نصب آن به اینجا مراجعه کنید.

TensorFlow 2.0 توسط گروهی توسعه داده شده که می‌خواهند بگویند استفاده از این پلتفرم ساده و انعطاف پذیر و قدرتمند می‌باشد و باعث می شود توسعه آن در هر گونه سیستم عاملی حمایت شود. TensorFlow 2.0 اکوسیستم گسترده‌ای از ابزار ها را برای توسعه دهندگان ، شرکت ها و محققانی که می خواهند پیشرفته ترین مهارت را در یادگیری ماشین استفاده کنند و برنامه های کاربردی مقیاس پذیر با یادگیری ماشین ایجاد کنند، فراهم می کند.

کد گذاری با TensorFlow 2.0

TensorFlow 2.0 گسترش برنامه های یادگیری ماشین را به مقدار بسیار زیادی آسان کرده است. با ادغام شدید Keras در TensorFlow، اجرای مشتاقانه به طور پیش فرض و تابع عملکرد Pythonic، کتابخانه ی TensorFlow 2.0  تجربه ایجاد برنامه های کاربردی را تا حد ممکن برای توسعه دهندگان Python آشنا می کند. برای محققانی که مرزهای یادگیری ماشین را پیش می برند ، سرمایه گذاری زیادی در API سطح پایین TensorFlow کرده ایم: اکنون همه عملگر هایی را که در داخل استفاده می شود را خروجی می دهیم و رابط های ارثی را برای مفاهیم مهم مانند متغیرها و چک پوینت ها ارائه می دهیم. این امر به شما امکان می دهد تا بدون بازسازی نسخه TensorFlow  قبلی خود، برنامه ی خود را بر روی TensorFlow جدید باز سازی کنید:

کتابخانه تنسورفلو 2 tensorflow

برای اینکه بتوانیم مدل ها را در انواع بستر ها از جمله شبکه ابری، وب، مرورگر و سیستم های موبایل و سیستم های تجمیع شده اجرا کنیم، باید فرمت آن ها را در فایل مدل ذخیره شده استاندارد کنیم.این امر این امکان را به شما می دهد تا بتوانید مدل ها را با TensorFlow اجرا کنید، به وسیله  TensorFlow Serving مستقر کنید یا درون موبایل خود از آن استفاده کنید و یا با برنامه TensorFlow Lite درون سیستم های تجمیع شده نیز اجرا کنید یا آن ها را بر روی مرورگر یا Node.js از طریق TensorFlow.js آموزش و اجرا کنید.

برای سناریوهای آموزش با کارایی بالا ، می توانید از Strategy Distribution API برای توزیع آموزش با حداقل تغییر کد و دستیابی به عملکرد عالی بدون نیاز به تنظیمات استفاده کنید. همچنین با مدل های Keras از توزیع آموزش و همچنین حلقه ها سفارشی آموزش حمایت می کند. پشتیبانی از واحد های پردازش گرافیکی چندگانه (Multi-GPU Support) هم اکنون در دسترس است. Cloud TPU نیز در آینده منتشر خواهد شد.

TensorFlow 2.0 پیشنهادات زیادی برای بهبود عملکرد واحد های پردازش گرافیکی (GPU) کرده است. TensorFlow 2.0 با استفاده از دقت ترکیبی در واحد های پردازش گرافیکی بر روی Volta و Turing با چند خط کد، حداکثر ۳ برابر تمرین سریعتر را ارائه می دهد و در برنامه هایی نظیر BERT و Res.net استفاده می شود. TensorFlow 2.0 کاملاً با TensorRT یکپارچه شده است و از API بهبود یافته برای ارائه قابلیت استفاده بهتر و عملکرد بالا در هنگام استنباط در GPU های NVIDIA T4 Cloud در Google Cloud استفاده می کند.

کاری بریسکی مدیر ارشد محصولات نرم افزاری رایانه ای شتاب می گوید: ” یادگیری ماشین در واحد های پردازش گرافیکی انویدیا و سیستم ها این امکان را می دهد تا گسترش دهندگان مشکلاتی را که در چند سال گذشته حل نشدنی به نظر می رسیدند را حل کنند. TensorFlow 2.0 مملو از بسیاری از ویژگی های عالی شتاب واحد های پردازش گرافیکی (GPU) است و ما نمی توانیم صبر کنیم تا برنامه های شگفت انگیز هوش مصنوعی را که جامعه با این ابزارهای به روز ایجاد خواهد شد ، ببینیم. “

دسترسی مؤثر برای داده های آموزش و اعتبار سنجی هنگام ساختن مدل در TensorFlow مهم است. ما مجموعه داده های TensorFlow را معرفی کردیم و یک مجموعه رابط استاندارد را به مجموعه  داده های حاوی انواع مختلفی از داده ها از جمله تصاویر ، متن ، فیلم و سایر موارد اضافه کردیم.

در حالی که مدل برنامه نویسی مبتنی بر جلسه سنتی هنوز هم حفظ شده است ، توصیه می کنیم از اجرای منظم پایتون با اجرای مشتاقانه استفاده کنید. سیستم طراحی tf.function می تواند برای تبدیل کد به نمودار استفاده شود که برای اجرای از راه دور،اجرای نوبتی و اجرای بهینه سازی شده بسیار مناسب است. این امر توسط برنامه Autograph تکمیل شده است، که می تواند جریان منظم پایتون را مستقیما به جریان کنترل شده TensorFlow تبدیل کند.

و البته اگر شما از TensorFlow نسخه اول استفاده کرده اید و قصد مهاجرت به نسخه ۲٫۰ را دارید، نسخه ای را منتشر کرده ایم. نسخه TensorFlow 2.0 همچنین شامل یک اسکریپت تبدیل خودکار برای کمک به شما در شروع کار است.

ما با تعداد زیادی از کاربران گوگل و از جامعه داخلی TensorFlow 2.0 برای آزمایش ویژگی های TensorFlow همکاری کردیم و با بازخورد هیجان زده ای رو به رو شده ایم. به عنوان مثال، تیم اخبار گوگل برنامه Bert مبتنی بر درک مدل زبان را در TensorFlow راه اندازی کرد که باعث بهبود چشمگیر پوشش این قضیه می شود. TensorFlow ، رابط های برنامه نویسی کاربردی (API) انعطاف پذیر آسان را برای پیاده سازی سریع ایده ها ارائه می دهد. آموزش و خدمات مدل یکپارچه در زیرساخت های موجود ادغام شد.

همچنین یادگیری ماشین فقط برای استفاده کنندگان پایتون نیست. استفاده از آموزش TensorFlow.js و استنباط آن هم اکنون در جاوا برای استفاده کنندگان جاوا امکان پذیر است و ما همچنین در Swift به عنوان زبانی برای ساخت مدل ها با کتابخانه Swift for TensorFlow سرمایه گذاری می کنیم.

در اینجا موارد زیادی برای باز کردن وجود دارد ، بنابراین برای کمک ، ما یک دستیار مفید در مورد چگونگی کارآمد بودن موارد جدید برای راهنمایی در TensorFlow 2.0 ایجاد کرده ایم. برای شروع ساده تر با TensorFlow 2.0 ما حتی تعدادی مرجع یادگیری ماشین را که مملو از API های مدل یادگیری ماشین هستند نیز منتشر کرده ایم.

به علاوه برای اینکه یاد بگیرید چگونه با TensorFlow برنامه بسازید،دوره های آنلاین را بررسی کنید که ما با deeplearning.ai و Udicity ایجاد کرده ایم.

برای شروع سریع می توانید از Deep Learning VM Image فضای ابری گوگل که بدون نیاز به نصب و روی ماشین مجازی (Virtual Machine) با تنظیمات از پیش انجام شده، استفاده کنید که به شما کمک می کند پروژه های یادگیری عمیق خود را با استفاده از TensorFlow 2.0 توسعه دهید.

برای دریافت اطلاعات بیشتر در مورد کتابخانه ی TensorFlow 2.0 و همچنین نحوه ی دریافت و استفاده از آن به لینک زیر مراجعه کنید :

TensorFlow.ORG

بیشتر بخوانید :

منبع tensorflow.org
امتیاز دهید!

همچنین ببینید

آیا هوش مصنوعی منجر به افزایش خالص مشاغل خواهد شد؟

در دو سالی که از عرضه اولین پیش نمایش عمومی ChatGPT می گذرد، به کارگیری …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *