Gestern, am 30. September, gab Google die Veröffentlichung der endgültigen Version von TensorFlow 2.0 bekannt.
„TensorFlow 2.0 ist Open Source und wird von einer Community unterstützt, die angibt, dass sie eine benutzerfreundliche Plattform benötigen, die flexibel und leistungsstark ist und die Bereitstellung auf jeder Plattform unterstützt. TensorFlow 2.0 bietet Entwicklern, Unternehmen und Forschern, die die neuesten Technologien für maschinelles Lernen nutzen und skalierbare ML-Anwendungen erstellen möchten, ein umfassendes Tool-Ökosystem. “ - sagt der Tensorflow-Blog auf der Medium-Plattform.
TensorFlow 2.0 weist eine Reihe von Änderungen auf, die TensorFlow-Benutzer produktiver machen. TensorFlow 2.0 entfernte redundante APIs, wonach die APIs konsistenter wurden (Unified RNNs, Unified Optimizers) und mit Eager-Ausführung besser in die Python-Laufzeit integriert wurden.
In TensorFlow 1.X mussten Benutzer einen abstrakten Syntaxbaum (Diagramm) manuell zusammenstellen, indem sie tf. * API-Anforderungen ausführten. Anschließend müssen Benutzer den abstrakten Syntaxbaum manuell kompilieren, indem sie den Satz von Ausgabe- und Eingabetensoren an den Aufruf session.run () übergeben. TensorFlow 2.0 wird sofort ausgeführt (wie es Python normalerweise tut) und in 2.0 sollten Diagramme und Sitzungen als Implementierungsdetails betrachtet werden.
TensorFlow 1.X war stark von impliziten globalen Namespaces abhängig. Wenn Sie tf.Variable () aufgerufen haben, wurde es standardmäßig in das Diagramm eingefügt und blieb dort, auch wenn Sie den Überblick über die darauf verweisende Python-Variable verloren haben. Sie können diese tf.Variable dann wiederherstellen, aber nur, wenn Sie den Namen kennen, mit dem sie erstellt wurde. Dies war schwierig, wenn Sie die Erstellung von Variablen nicht kontrollierten.
Das Aufrufen von session.run () ähnelt fast dem Aufrufen einer Funktion: Sie definieren die Eingabe, die Funktion wird aufgerufen und Sie erhalten eine Ergebnismenge. In TensorFlow 2.0 können Sie eine Python-Funktion mit tf.function () dekorieren, um sie für die JIT-Kompilierung zu markieren, sodass TensorFlow sie als einzelnes Diagramm ausführt (Functions 2.0 RFC).
Basierend auf:
-
Das Warten hat ein Ende - TensorFlow 2.0 veröffentlicht!-
Effektiver TensorFlow 2.0