Hier 30 septembre, Google a annoncé la sortie de la version finale de TensorFlow 2.0.
«TensorFlow 2.0 est open source et pris en charge par une communauté qui affirme avoir besoin d'une plateforme facile à utiliser, flexible et puissante, qui prend en charge le déploiement sur n'importe quelle plateforme. TensorFlow 2.0 fournit un vaste écosystème d'outils pour les développeurs, les entreprises et les chercheurs qui souhaitent utiliser les dernières technologies d'apprentissage automatique et créer des applications ML évolutives. » - dit le blog Tensorflow sur la plateforme Medium.
TensorFlow 2.0 a un certain nombre de changements qui rendent les utilisateurs de TensorFlow plus productifs. TensorFlow 2.0 a supprimé les API redondantes, après quoi les API sont devenues plus cohérentes (RNN unifiés, optimiseurs unifiés) et mieux intégrées avec le runtime Python, avec une exécution désireuse.
Dans TensorFlow 1.X, les utilisateurs devaient assembler manuellement une arborescence de syntaxe abstraite (graphique) en exécutant des requêtes API tf. *. Ensuite, les utilisateurs doivent compiler manuellement l'arbre de syntaxe abstraite en transmettant l'ensemble des tenseurs de sortie et d'entrée à l'appel session.run (). TensorFlow 2.0 s'exécute immédiatement (comme le fait habituellement Python) et dans 2.0, les graphiques et les sessions doivent être considérés comme des détails d'implémentation.
TensorFlow 1.X était fortement tributaire des espaces de noms globaux implicites. Lorsque vous avez appelé tf.Variable (), il a été placé dans le graphique par défaut et il y est resté même si vous avez perdu la trace de la variable Python pointant dessus. Vous pouvez ensuite restaurer ce tf.Variable, mais uniquement si vous connaissiez le nom avec lequel il a été créé. C'était difficile à faire si vous ne contrôliez pas la création de variables.
Appeler session.run () est presque comme appeler une fonction: vous définissez l'entrée, la fonction est appelée et vous obtenez un jeu de résultats. Dans TensorFlow 2.0, vous pouvez décorer une fonction Python à l'aide de tf.function () pour la marquer pour la compilation JIT afin que TensorFlow l'exécute comme un graphique unique (Functions 2.0 RFC).
Basé sur:
-
L'attente est terminée - TensorFlow 2.0 est sorti!-
TensorFlow 2.0 efficace