TensorFlow дахь Eager горим нь програмчлалын интерфейс бөгөөд үйлдлүүдийг шууд гүйцэтгэх боломжийг олгодог бөгөөд кодыг дибаг хийх, ойлгоход хялбар болгодог. Гэсэн хэдий ч Eager горимыг идэвхгүй болгосон ердийн TensorFlow-тэй харьцуулахад Eager горимыг ашиглах нь хэд хэдэн сул талуудтай байдаг. Энэ хариултанд бид эдгээр сул талуудыг нарийвчлан судлах болно.
Eager горимын гол сул талуудын нэг нь гүйцэтгэлд үзүүлэх нөлөө юм. Хүсэлттэй горимыг идэвхжүүлсэн үед TensorFlow нь график горимд байгаа шиг үйлдлүүдийн гүйцэтгэлийг оновчтой болгодоггүй. Энэ нь ялангуяа нарийн төвөгтэй загварууд болон том өгөгдлийн багцуудын гүйцэтгэлийн хугацааг удаашруулахад хүргэдэг. График горимд TensorFlow нь тогтмол нугалах, хайлуулах зэрэг янз бүрийн оновчлолыг ашиглах боломжтой бөгөөд энэ нь гүйцэтгэлийг мэдэгдэхүйц сайжруулдаг. Eager горимыг идэвхгүй болгосноор TensorFlow-д эдгээр оновчлолын давуу талыг бүрэн ашиглах боломжийг олгож, гүйцэтгэлийн хугацааг хурдан болгоно.
Eager горимын өөр нэг сул тал бол тараасан сургалтыг хязгаарлагдмал дэмждэг. Загвар сургахад олон төхөөрөмж эсвэл машин ашигладаг сургалтын хуваарилагдсан хувилбаруудад Eager горим нь график горимтой ижил түвшний өргөтгөх чадвар, үр ашгийг хангахгүй байж болно. Параметр серверүүд болон өгөгдлийн параллелизм зэрэг TensorFlow-ийн хуваарилагдсан сургалтын функцууд нь үндсэндээ график горимд зориулагдсан байдаг. Тиймээс, хэрэв та хуваарилагдсан сургалт шаарддаг төсөл дээр ажиллаж байгаа бол Eager горимыг идэвхгүй болгох нь илүү тохиромжтой сонголт байх болно.
Цаашилбал, Eager горим нь санах ой их шаарддаг, ялангуяа том өгөгдлийн багцтай ажиллах үед. Eager горимд TensorFlow нь их хэмжээний санах ой зарцуулж болох завсрын үр дүнг тэсэн ядан үнэлж, хадгалдаг. Энэ нь ялангуяа санах ойн багтаамж багатай төхөөрөмжүүдэд хязгаарлалт болж болзошгүй. Үүний эсрэгээр, график горим нь зөвхөн тооцооллын графикт шаардлагатай мэдээллийг хадгалах замаар санах ойн ашиглалтыг оновчтой болгож, санах ойг илүү үр дүнтэй ашиглахад хүргэдэг.
Eager горимын өөр нэг сул тал бол TensorFlow-ийн тодорхой функцууд болон API-уудыг дэмждэггүй явдал юм. Хэдийгээр Eager горим нь TensorFlow-ийн экосистемтэй нийцтэй байдлын хувьд мэдэгдэхүйц ахиц дэвшил гаргасан ч зөвхөн график горимд ашиглах боломжтой зарим функцууд байсаар байна. Жишээлбэл, TensorFlow-ийн график дээр суурилсан профайл хийх хэрэгслүүд болон түгээсэн TensorFlow дибаггер (tfdbg) нь Eager горимд бүрэн нийцэхгүй байна. Хэрэв таны төсөл эдгээр функцууд дээр тулгуурладаг бол Eager горимыг идэвхгүй болгох шаардлагатай болно.
Эцэст нь, Eager горим нь үйлдвэрлэлд TensorFlow загваруудыг оновчтой болгох, ашиглахад илүү төвөгтэй болгодог. Үйлдвэрлэлийн орчинд гүйцэтгэл, санах ойн ашиглалт, байршуулалтын үр ашгийг харгалзан загваруудыг оновчтой болгох нь түгээмэл байдаг. Eager горимыг идэвхгүй болгосноор график горимд байгаа иж бүрэн хэрэгсэл, оновчлолыг ашиглан загварыг оновчтой болгох, байршуулах ажлын урсгалыг илүү хялбар болгох боломжийг олгодог.
TensorFlow дахь Eager горим нь шууд гүйцэтгэх, код унших чадварыг сайжруулах давуу талуудыг санал болгодог ч энэ нь хэд хэдэн сул талуудтай байдаг. Үүнд: гүйцэтгэлийн доройтол, тархсан сургалтын хязгаарлагдмал дэмжлэг, санах ой их шаарддаг тооцоолол, TensorFlow-ийн зарим функцийг дэмжихгүй байх, үйлдвэрлэлд зориулсан загварыг оновчтой болгох, ашиглахад тулгарч буй бэрхшээлүүд орно. Eager горим эсвэл ердийн TensorFlow-г ашиглах эсэхээ шийдэхдээ эдгээр хүчин зүйлсийг анхааралтай авч үзэх нь нэн чухал.
Сүүлийн үеийн бусад асуулт, хариулт Машин сургалтанд ахиц дэвшил гаргах:
- 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?
- Хүсэл эрмэлзэлтэй горим нь TensorFlow-ийн тархсан тооцооллын функцийг саатуулдаг уу?
- Google үүлэн шийдлүүдийг том өгөгдөлтэй ML загварыг илүү үр дүнтэй сургах үүднээс тооцоололыг хадгалах сангаас салгахад ашиглаж болох уу?
- Google Cloud Machine Learning Engine (CMLE) нь загварын сургалт дууссаны дараа нөөцийг автоматаар олж авах, тохируулах, мөн нөөцийг зогсоохыг санал болгодог уу?
- Машин сургалтын загваруудыг дур зоргоороо том өгөгдлийн багц дээр ямар ч саадгүй сургах боломжтой юу?
- CMLE-г ашиглах үед хувилбар үүсгэхэд экспортлогдсон загварын эх сурвалжийг зааж өгөх шаардлагатай юу?
- CMLE нь Google Cloud хадгалах сангийн датаг уншиж, дүгнэлт гаргахдаа тусгайлан бэлтгэгдсэн загварыг ашиглаж чадах уу?
- Tensorflow-ийг гүн мэдрэлийн сүлжээг (DNN) сургах, дүгнэлт хийхэд ашиглаж болох уу?
Бусад асуулт, хариултыг "Machine Learning-д ахиц дэвшил" хэсгээс үзнэ үү