Di çarçoweya TensorFlow de grafiyek qeşagirtî vedibêje modelek ku bi tevahî hatî perwerde kirin û dûv re wekî pelek yekane hatî tomar kirin ku hem mîmariya modelê û hem jî giraniyên perwerdekirî vedihewîne. Dûv re ev grafika cemidî dikare ji bo encamgirtinê li ser platformên cihêreng were bicîh kirin bêyî ku hewcedariya pênaseya modela orjînal an gihîştina daneyên perwerdehiyê hebe. Bikaranîna grafek qeşagirtî di hawîrdorên hilberînê de ku balê dikişîne ser çêkirina pêşbîniyan ne ji perwerdekirina modelê pir girîng e.
Yek ji avantajên bingehîn ên karanîna grafek qeşagirtî şiyana xweşbînkirina modela ji bo encamdanê ye. Di dema perwerdehiyê de, TensorFlow cûrbecûr operasyonên ku ji bo encamgirtinê ne hewce ne pêk tîne, wek hesabên gradientê yên ji bo belavbûnê. Bi cemidandina grafê, ev operasyonên nepêwist têne rakirin, û di encamê de modelek bikêrtir derdikeve holê ku dikare pêşbîniyan zûtir û bi çavkaniyên jimartinê yên kêm bike.
Digel vê yekê, cemidandina grafê di heman demê de pêvajoya bicîhkirinê jî hêsan dike. Ji ber ku grafiya qeşagirtî hem mîmariya modelê û hem jî giranan di pelek yekane de vedihewîne, belavkirin û karanîna li ser cîhaz an platformên cihêreng pir hêsantir e. Ev bi taybetî ji bo bicîhkirina li ser hawîrdorên bi çavkaniyê ve girêdayî ye, mîna cîhazên mobîl an cîhazên qerax ên ku bîranîn û hêza pêvajoyê sînorkirî ne.
Feydeyek din a sereke ya karanîna grafek qeşagirtî ev e ku ew hevgirtina modelê misoger dike. Dema ku modelek hat perwerdekirin û cemidandin, heman model dê her gav heman encamek bi heman têketinê hilberîne. Ev ji nû ve hilberandin ji bo serîlêdanên ku domdar krîtîk e, wek mînak di lênihêrîna tenduristî an darayî de, pêdivî ye.
Ji bo ku grafiyek li TensorFlow bicemidînin, hûn bi gelemperî bi perwerdekirina modela xwe bi karanîna API-ya TensorFlow dest pê dikin. Piştî ku perwerde qediya û hûn ji performansa modelê razî bûn, hingê hûn dikarin bi karanîna fonksiyona `tf.train.write_graph()` modelê wekî grafikek cemidî hilînin. Ev fonksîyon grafika hesabkirinê ya modelê, ligel giranên perwerdekirî digire, û wan di pelek yekane de di forma Protokola Buffers (pelê`.pb`) de hilîne.
Piştî cemidandina grafîkê, hûn dikarin wê ji bo encamgirtinê bi karanîna çîna `tf.GraphDef` dîsa bar bikin TensorFlow. Ev dihêle hûn daneyên têketinê bixin nav modelê û pêşbîniyan bistînin bêyî ku hûn modelê ji nû ve perwerde bikin an bigihîjin daneyên perwerdehiya orîjînal.
Bikaranîna grafikek cemidî ya li TensorFlow ji bo xweşbînkirina modelan ji bo encamgirtinê, hêsankirina bicîhkirinê, misogerkirina domdariya modelê, û çalakkirina ji nû ve hilberandinê li ser platform û hawîrdorên cihêreng pêdivî ye. Bi têgihiştina ka meriv çawa grafiyekê bicemidîne û feydeyên wê bikar bîne, pêşdebiran dikarin bicîhkirina modelên fêrbûna makîneya xwe xweş bikin û di serîlêdanên cîhana rastîn de pêşbîniyên bikêr û domdar peyda bikin.
Pirs û bersivên din ên vê dawiyê di derbarê Bingehîn TensorFlow EITC/AI/TFF:
- Meriv çawa dikare qatek binavkirî bikar bîne da ku bixweber axên rast ji bo nexşeyek nûnertiya peyvan wekî vektor destnîşan bike?
- Armanca berhevkirina max di CNN de çi ye?
- Pêvajoya derxistina taybetmendiyê di tora neuralî ya hevgirtî (CNN) de ji bo naskirina wêneyê çawa tê sepandin?
- Ma pêdivî ye ku ji bo modelên fêrbûna makîneyê yên ku li TensorFlow.js têne xebitandin fonksiyonek fêrbûna asynkron bikar bînin?
- Parametreya herî zêde ya peyvan a TensorFlow Keras Tokenizer API çi ye?
- Ma TensorFlow Keras Tokenizer API dikare were bikar anîn da ku peyvên herî pir caran bibîne?
- TOCO çi ye?
- Têkiliya di navbera çend serdeman de di modelek fêrbûna makîneyê de û rastbûna pêşbîniya ji xebitandina modelê de çi ye?
- Ma API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de li ser bingeha daneya grafika xwezayî danûstendinek perwerdehiya zêdekirî çêdike?
- API-ya cîranên pakêtê di Fêrbûna Structured Neural of TensorFlow de çi ye?
Pir pirs û bersivan di EITC/AI/TFF TensorFlow Fundamentals de bibînin