TensorFlow 2.0, guhertoya herî dawî ya TensorFlow, taybetmendiyên Keras û Eager Execution berhev dike da ku çarçoveyek fêrbûna kûr a bikarhêner-hevaltir û bikêrhatî peyda bike. Keras API-ya tora neuralî ya asta bilind e, dema ku Eager Execution nirxandina tavilê ya operasyonan dike, TensorFlow înteraktîftir û xwerûtir dike. Ev tevlihevî ji pêşdebir û lêkolîneran re gelek feydeyan tîne, ezmûna TensorFlow-ê ya giştî zêde dike.
Yek ji taybetmendiyên sereke yên TensorFlow 2.0 yekbûna Keras wekî API-a-asta bilind a fermî ye. Keras, ku bi eslê xwe wekî pirtûkxaneyek veqetandî hatî pêşve xistin, ji ber sadebûn û karanîna wê populerbûnek bi dest xist. Bi TensorFlow 2.0 re, Keras bi hişkî di ekosîstema TensorFlow de yekgirtî ye, ku ew ji bo pir rewşên karanîna API-ya pêşniyarkirî dike. Ev yekbûn rê dide bikarhêneran ku di heman demê de ji kapasîteyên berfireh ên TensorFlow sûd werbigirin, sadebûn û nermbûna Keras bikar bînin.
Aliyek din a girîng a TensorFlow 2.0 pejirandina Eager Execution wekî moda xebitandinê ya xwerû ye. Eager Execution ji bikarhêneran re dihêle ku tavilê operasyonan wekî ku jê re tê gotin binirxînin, li şûna ku grafiyek hesabker diyar bikin û paşê wê bimeşînin. Vê moda darvekirinê ya dînamîkî ezmûnek bernamesaziya xwerû peyda dike, ku rê dide debugkirina hêsantir û prototîpkirina zûtir. Wekî din, Eager Execution karanîna daxuyaniyên herikîna kontrolê yên wekî loop û şertan hêsan dike, ku berê ji bo pêkanîna li TensorFlow dijwar bûn.
Bi berhevkirina Keras û Eager Execution, TensorFlow 2.0 pêvajoya avakirin, perwerdekirin û bicihkirina modelên fêrbûna kûr hêsan dike. Pêşdebir dikarin Keras API-a-asta bilind bikar bînin da ku modelên xwe diyar bikin, ji hevoksaziya wê ya bikarhêner-heval û komek berfireh a qat û modelên pêş-avakirî sûd werbigirin. Dûv re ew dikarin van modelan bi operasyon û fonksiyonên astê jêrîn ên TensorFlow re bêkêmasî yek bikin. Ev entegrasyon rê dide nermbûn û xwerûbûnek mezintir, ku bikarhêneran dihêle ku modelên xwe baş rast bikin û taybetmendiyên pêşkeftî di nav tevgerên xebata xwe de bicîh bikin.
Wekî din, TensorFlow 2.0 têgehek bi navê "tf.function" destnîşan dike, ku destûrê dide bikarhêneran ku koda xwe xweşbîn bikin û bixweber fonksiyonên Python veguherînin grafikên TensorFlow pir bikêrhatî. Ev taybetmendî hem feydeyên Keras û hem jî Eager Execution bi kar tîne, ji ber ku bikarhêner dikarin koda xwe bi şêwazek Pythonic û mecbûrî binivîsin, di heman demê de hîn jî ji xweşbîniyên performansê yên ku ji hêla darvekirina grafiya statîk a TensorFlow ve têne peyda kirin sûd werdigirin.
Ji bo ronîkirina ka TensorFlow 2.0 çawa taybetmendiyên Keras û Eager Execution berhev dike, mînaka jêrîn bifikirin:
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)
Di vê nimûneyê de, em pêşî TensorFlow û modulê Keras derxînin. Em modelek tora neuralî ya hêsan bi karanîna Keras Sequential API-ya ku ji du qatên veşartî yên bi aktîvkirina ReLU û qatek derketinê ya bi çalakkirina softmax pêk tê destnîşan dikin. Dûv re em bi karanîna fonksiyona `tf.compat.v1.enable_eager_execution()` Eager Execution çalak dikin.
Dûv re, em bi karanîna fonksiyona normal a rasthatî ya TensorFlow tensorek ketina nimûneyê diafirînin. Di dawiyê de, em têketinê di modelê re derbas dikin da ku pêşbîniyên encam bigirin. Ji ber ku em Eager Execution bikar tînin, operasyon tavilê têne darve kirin, û em dikarin rasterast hilberê çap bikin.
Bi xebitandina vê kodê di TensorFlow 2.0 de, em dikarin ji sadebûn û eşkerebûna Keras sûd werbigirin da ku modela xwe pênase bikin, di heman demê de ji darvekirina tavilê û xwezaya înteraktîf a Eager Execution sûd werdigirin.
TensorFlow 2.0 taybetmendiyên Keras û Eager Execution berhev dike da ku çarçoveyek fêrbûna kûr a hêzdar û bikarhêner-heval peyda bike. Yekbûna Keras wekî API-a-asta bilind a fermî pêvajoya avakirin û perwerdehiya modelan hêsan dike, dema ku Eager Execution înteraktîf û nermbûnê zêde dike. Ev kombînasyon rê dide pêşdebir û lêkolîneran ku koda xwe ya heyî bi bandor nûve bikin TensorFlow 2.0 û ji kapasîteyên wê yên pêşkeftî sûd werbigirin.
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