TensorFlow-ийн хамгийн сүүлийн хувилбар болох TensorFlow 2.0 нь Keras болон Eager Execution-ийн онцлогуудыг хослуулан хэрэглэхэд илүү ээлтэй, үр ашигтай гүнзгий сургалтын тогтолцоог бий болгодог. Keras нь өндөр түвшний мэдрэлийн сүлжээний API бөгөөд Eager Execution нь үйл ажиллагааг шууд үнэлэх боломжийг олгодог бөгөөд TensorFlow-ийг илүү интерактив, ойлгомжтой болгодог. Энэхүү хослол нь хөгжүүлэгчид болон судлаачдад хэд хэдэн ашиг тус авчирч, TensorFlow-ийн ерөнхий туршлагыг сайжруулдаг.
TensorFlow 2.0-ийн гол онцлогуудын нэг бол Keras-ийг албан ёсны дээд түвшний API болгон нэгтгэх явдал юм. Анх тусдаа номын сан болгон хөгжүүлсэн Керас нь энгийн, ашиглахад хялбар байдгаараа алдартай болсон. TensorFlow 2.0-ийн тусламжтайгаар Keras нь TensorFlow экосистемд нягт уялдаатай бөгөөд ихэнх тохиолдолд ашиглахыг санал болгож буй API болгодог. Энэхүү интеграци нь хэрэглэгчдэд TensorFlow-ийн өргөн боломжуудыг ашиглахын зэрэгцээ Keras-ийн энгийн, уян хатан байдлыг ашиглах боломжийг олгодог.
TensorFlow 2.0-ийн өөр нэг чухал тал бол Eager Execution-ийг үндсэн үйлдлийн горим болгон ашиглах явдал юм. Eager Execution нь хэрэглэгчдэд тооцооллын графикийг тодорхойлж, дараа нь ажиллуулахын оронд үйлдлүүдийг дуудсан даруйдаа үнэлэх боломжийг олгодог. Энэхүү динамик гүйцэтгэлийн горим нь илүү ойлгомжтой програмчлалын туршлагыг бий болгож, дибаг хийхэд хялбар, прототипийг хурдан гаргах боломжийг олгодог. Нэмж дурдахад Eager Execution нь өмнө нь TensorFlow-д хэрэгжүүлэхэд бэрхшээлтэй байсан гогцоо, нөхцөл гэх мэт хяналтын урсгалын мэдэгдлийг ашиглахад хялбар болгодог.
Keras болон Eager Execution-ийг хослуулснаар TensorFlow 2.0 нь гүнзгий суралцах загваруудыг бүтээх, сургах, ашиглах үйл явцыг хялбаршуулдаг. Хөгжүүлэгчид өндөр түвшний Keras API-г ашиглан загваруудаа тодорхойлж, хэрэглэгчдэд ээлтэй синтакс болон урьдчилан бүтээсэн давхаргууд болон загваруудын өргөн хүрээний давуу талыг ашиглах боломжтой. Дараа нь тэд эдгээр загваруудыг TensorFlow-ийн доод түвшний үйл ажиллагаа, функцуудтай уялдуулан нэгтгэх боломжтой. Энэхүү интеграци нь илүү уян хатан байдал, тохируулга хийх боломжийг олгож, хэрэглэгчдэд загвараа нарийн тааруулж, дэвшилтэт функцуудыг ажлын урсгалдаа оруулах боломжийг олгодог.
Цаашилбал, TensorFlow 2.0 нь Python функцийг өндөр үр ашигтай TensorFlow график болгон автоматаар хөрвүүлэн кодоо оновчтой болгох боломжийг хэрэглэгчдэд олгодог "tf.function" хэмээх ойлголтыг нэвтрүүлсэн. Энэ функц нь Keras болон Eager Execution-ийн давуу талыг ашигладаг тул хэрэглэгчид өөрсдийн кодыг илүү Pytonic болон imperative хэв маягаар бичихийн зэрэгцээ TensorFlow-ийн статик график гүйцэтгэлийн гүйцэтгэлийн оновчлолын үр шимийг хүртдэг.
TensorFlow 2.0 нь Keras болон Eager Execution-ийн онцлогуудыг хэрхэн хослуулж байгааг харуулахын тулд дараах жишээг авч үзье.
python import tensorflow as tf from tensorflow import keras # Define a simple model using the Keras API model = keras.Sequential([ keras.layers.Dense(64, activation='relu', input_shape=(784,)), keras.layers.Dense(64, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) # Enable Eager Execution tf.compat.v1.enable_eager_execution() # Create a sample input input_data = tf.random.normal((1, 784)) # Use the model to make predictions output = model(input_data) print(output)
Энэ жишээнд бид эхлээд TensorFlow болон Keras модулийг импортолдог. Бид Keras Sequential API ашиглан энгийн мэдрэлийн сүлжээний загварыг тодорхойлдог бөгөөд энэ нь ReLU идэвхжүүлсэн хоёр далд давхарга болон softmax идэвхжүүлэлттэй гаралтын давхаргаас бүрддэг. Дараа нь бид `tf.compat.v1.enable_eager_execution()` функцийг ашиглан Eager Execution-ийг идэвхжүүлнэ.
Дараа нь бид TensorFlow-ийн санамсаргүй хэвийн функцийг ашиглан түүвэр оролтын тензор үүсгэдэг. Эцэст нь бид гаралтын таамаглалыг авахын тулд оролтыг загвараар дамжуулдаг. Бид Eager Execution-ийг ашиглаж байгаа тул үйлдлүүд шууд хийгдэх бөгөөд бид гаралтыг шууд хэвлэх боломжтой.
Энэ кодыг TensorFlow 2.0 дээр ажиллуулснаар бид Keras-ийн энгийн бөгөөд ойлгомжтой байдлыг ашиглан загвараа тодорхойлохын зэрэгцээ Eager Execution-ийн шууд гүйцэтгэл, интерактив шинж чанарыг ашиглах боломжтой.
TensorFlow 2.0 нь Keras болон Eager Execution-ийн онцлогуудыг хослуулан хүчирхэг, хэрэглэгчдэд ээлтэй гүнзгий сургалтын тогтолцоог бий болгодог. Keras-ийг албан ёсны дээд түвшний API болгон нэгтгэснээр загвар бүтээх, сургах үйл явцыг хөнгөвчлөх бол Eager Execution нь интерактив, уян хатан байдлыг сайжруулдаг. Энэхүү хослол нь хөгжүүлэгчид болон судлаачдад одоо байгаа кодоо TensorFlow 2.0 болгон үр дүнтэй сайжруулж, түүний дэвшилтэт боломжуудыг ашиглах боломжийг олгодог.
Сүүлийн үеийн бусад асуулт, хариулт EITC/AI/TFF TensorFlow Fundamentals:
- Хэрхэн оруулах давхаргыг ашиглан үгсийг вектор болгон дүрслэх графикт тохирох тэнхлэгүүдийг автоматаар хуваарилах вэ?
- CNN-д хамгийн их нөөц бүрдүүлэх зорилго юу вэ?
- Хувирмал мэдрэлийн сүлжээ (CNN) дахь шинж чанарыг задлах процессыг дүрсийг танихад хэрхэн ашигладаг вэ?
- TensorFlow.js дээр ажиллаж байгаа машин сургалтын загваруудад асинхрон сургалтын функцийг ашиглах шаардлагатай юу?
- TensorFlow Keras Tokenizer API үгийн хамгийн их тооны параметр хэд вэ?
- TensorFlow Keras Tokenizer API-г хамгийн түгээмэл үгсийг олоход ашиглаж болох уу?
- TOCO гэж юу вэ?
- Машин сургалтын загвар дахь хэд хэдэн эрин үе ба загварыг ажиллуулахаас урьдчилан таамаглах нарийвчлалын хооронд ямар хамааралтай вэ?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын API-тай хөрш зэргэлдээх багц нь байгалийн график өгөгдөл дээр суурилсан сургалтын нэмэгдүүлсэн мэдээллийн багц үүсгэдэг үү?
- TensorFlow-ийн мэдрэлийн бүтэцтэй сургалтын програмын хөршүүдийн API гэж юу вэ?
Бусад асуулт, хариултыг EITC/AI/TFF TensorFlow Fundamentals-аас үзнэ үү