TensorFlow 2.0-д сеанс гэсэн ойлголтыг идэвхгүй гүйцэтгэхийн тулд хассан, учир нь хүсэл эрмэлзэлтэйгээр гүйцэтгэх нь үйлдлүүдийг нэн даруй үнэлэх, дибаг хийх боломжийг олгодог бөгөөд үйл явцыг илүү ойлгомжтой, Pythonic болгодог. Энэ өөрчлөлт нь TensorFlow хэрхэн ажиллаж, хэрэглэгчидтэй харилцах харилцаанд томоохон өөрчлөлтийг харуулж байна.
TensorFlow 1.x-д сешнүүдийг тооцооллын график байгуулж, дараа нь сессийн орчинд гүйцэтгэхэд ашигласан. Энэ арга нь хүчирхэг боловч заримдаа төвөгтэй, ялангуяа анхлан суралцагчид болон програмчлалын суурь мэдлэгтэй хэрэглэгчдэд төвөгтэй байсан. Хүсэл эрмэлзэлтэй гүйцэтгэлээр үйлдлүүд шууд сесс үүсгэх шаардлагагүйгээр шууд хийгддэг.
Сеансуудыг хассанаар TensorFlow ажлын урсгалыг хялбарчилж, стандарт Python програмчлалтай илүү ойртуулна. Одоо хэрэглэгчид TensorFlow кодыг энгийн Python код бичдэгтэй адил энгийн байдлаар бичиж, ажиллуулах боломжтой болсон. Энэхүү өөрчлөлт нь хэрэглэгчийн туршлагыг сайжруулж, шинэ хэрэглэгчдийн сурах муруйг багасгадаг.
Хэрэв та TensorFlow 2.0 дээрх сессүүд дээр тулгуурласан дасгалын кодыг ажиллуулахыг оролдох үед AttributeError-тэй тулгарсан бол энэ нь сессийг дэмжихээ больсонтой холбоотой юм. Энэ асуудлыг шийдэхийн тулд та хүссэн гүйцэтгэлийг ашиглахын тулд кодыг дахин засварлах хэрэгтэй. Ингэснээр та өөрийн кодыг TensorFlow 2.0-тэй нийцэж байгаа эсэхийг баталгаажуулж, гүйцэтгэлийн санал болгож буй давуу талыг ашиглах боломжтой.
TensorFlow 1.x-д сесс ашиглах болон TensorFlow 2.0-д хүсэл эрмэлзэлтэй гүйцэтгэх хоёрын ялгааг харуулах жишээ энд байна:
TensorFlow 1.x (сесс ашиглан):
python import tensorflow as tf # Build a graph a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) # Create a session and run the graph with tf.Session() as sess: result = sess.run(c) print(result)
TensorFlow 2.0 (хүссэн гүйцэтгэлийг ашиглан):
python import tensorflow as tf # Enable eager execution tf.config.run_functions_eagerly(True) # Perform operations without the need for a session a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) print(c)
Дасгалын кодыг шинэчлэснээр TensorFlow 2.0-тэй нийцэж, хялбаршуулсан ажлын урсгалаас ашиг хүртэх боломжтой.
TensorFlow 2.0 дээрх сешнүүдийг идэвхгүй гүйцэтгэхийн тулд устгасан нь хүрээний ашиглах боломжтой, энгийн байдлыг сайжруулсан өөрчлөлтийг харуулж байна. Хүсэл эрмэлзэлтэй гүйцэтгэлийг хүлээн авснаар хэрэглэгчид TensorFlow кодыг илүү ойлгомжтой, үр дүнтэй бичих боломжтой бөгөөд энэ нь машин сурах хөгжүүлэлтийн туршлагыг илүү саадгүй болгоход хүргэдэг.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/GCML Google Cloud Machine Learning:
- Машин сургалтын явцад том өгөгдлийн багцтай ажиллахад ямар хязгаарлалт байдаг вэ?
- Машины сургалт нь харилцан ярианы тусламж үзүүлж чадах уу?
- TensorFlow тоглоомын талбай гэж юу вэ?
- Том өгөгдлийн багц нь үнэндээ юу гэсэн үг вэ?
- Алгоритмын гиперпараметрийн зарим жишээ юу вэ?
- Ансамблийн сургалт гэж юу вэ?
- Сонгосон машин сургалтын алгоритм тохиромжгүй бол яах вэ, зөвийг нь хэрхэн сонгох вэ?
- Машин сургалтын загвар нь сургалтын явцад хяналт тавих шаардлагатай юу?
- Мэдрэлийн сүлжээнд суурилсан алгоритмд ашигладаг гол параметрүүд юу вэ?
- TensorBoard гэж юу вэ?
EITC/AI/GCML Google Cloud Machine Learning-ээс бусад асуулт, хариултуудыг харна уу