بالأمس ، 30 سبتمبر ، أعلنت Google عن إطلاق الإصدار النهائي من TensorFlow 2.0.
"TensorFlow 2.0 مفتوح المصدر ويدعمه مجتمع يقول إنه يحتاج إلى منصة سهلة الاستخدام ومرنة وقوية يمكن نشرها على أي منصة. يوفر TensorFlow 2.0 نظامًا بيئيًا واسعًا من الأدوات للمطورين والشركات والباحثين الذين يرغبون في استخدام أحدث تقنيات تعلم الآلة وإنشاء تطبيقات ML قابلة للتطوير. " - يقول Tensorflow بلوق على منصة متوسطة.
يحتوي TensorFlow 2.0 على عدد من التغييرات التي تجعل مستخدمي TensorFlow أكثر إنتاجية. قام TensorFlow 2.0 بإزالة واجهات برمجة التطبيقات الزائدة ، وبعد ذلك أصبحت واجهات برمجة التطبيقات أكثر اتساقًا (RNNs الموحدة ، المحسِّن الموحد) ، ودمجها بشكل أفضل مع وقت تشغيل Python ، مع تنفيذ Eager.
في TensorFlow 1.X ، طُلب من المستخدمين تجميع شجرة بناء جملة مجردة (رسم بياني) يدويًا عن طريق تنفيذ طلبات tf. * API. ثم يجب أن يقوم المستخدمون يدويًا بترجمة شجرة بناء الجملة المجردة عن طريق تمرير مجموعة الإخراج وإدخال التنسورات إلى المكالمة session.run (). يتم تشغيل TensorFlow 2.0 على الفور (كما يفعل Python عادةً) وفي 2.0 ، يجب اعتبار الرسوم البيانية وجلسات العمل تفاصيل التنفيذ.
اعتمد TensorFlow 1.X اعتمادًا كبيرًا على مساحات الأسماء العالمية الضمنية. عندما قمت بالاتصال بـ tf.Variable () ، تم وضعه في الرسم البياني افتراضيًا ، وظل هناك حتى إذا فقدت متغير Python الذي يشير إليه. يمكنك حينئذٍ استعادة هذا المتغير tf.Vari ، لكن فقط إذا كنت تعرف الاسم الذي تم إنشاؤه به. كان من الصعب القيام بذلك إذا لم تتحكم في إنشاء المتغيرات.
يشبه استدعاء session.run () استدعاء دالة تقريبًا: يمكنك تحديد الإدخال ، وتسمى الوظيفة ، وتحصل على مجموعة نتائج. في TensorFlow 2.0 ، يمكنك تزيين دالة Python باستخدام tf.function () لوضع علامة عليها لتجميع JIT بحيث يقوم TensorFlow بتنفيذها كرسم بياني واحد (Functions 2.0 RFC).
بناء على:
-
انتهى الانتظار - تم إطلاق TensorFlow 2.0!-
فعال TensorFlow 2.0