"Blockbuster" Google TensorFlow 1.0 yayınlandı, akıllı telefonlar da derin öğrenmeyi oynayabilir
1 Xinzhiyuan derlemesi
Kaynak: infoword, github
Derleyici: Ferguson Wen Qiang
AI devam ediyor, Vientiane güncellendi!
Xinzhiyuan, tüm abonelerine iyi bir Horoz Yılı diliyor!
Xinzhiyuan yeni bir işe alım turu başlattı : COO, Genel Yayın Yönetmeni, Baş Editör, Kıdemli Derleyici, Baş Yazar, Operasyon Direktörü, Hesap Yöneticisi, Danışmanlık Direktörü, İdari Asistan ve diğer 9 pozisyon tamamen açıktır.
Teslime devam et: j obs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan, COO ve yönetici editörlere bir milyon yuan'a kadar yıllık maaş teşvikleri sağlar; kilit çalışanlar için en eksiksiz eğitim sistemini sağlar, Sektör ortalamasından daha yüksek maaşlar ve ikramiyeler.
Xinzhiyuan'a katılın ve dünyayı değiştirmek için yapay zeka endüstrisinin liderleriyle birlikte çalışın.
Xin Zhiyuan Rehberi Son zamanlarda, Google'ın açık kaynak derin öğrenme çerçevesi TensorFlow, yalnızca kitaplıktaki makine öğrenimi işlevlerini iyileştirmekle kalmayan, aynı zamanda Python ve Java kullanıcılarına da açık olan ve hata ayıklamayı iyileştiren tam bir sürüm 1.0 yayınladı. Aynı zamanda, bir dizi yeni iyileştirme, makine öğrenimini, özellikle de derin öğrenme programlarını sıradan akıllı telefonlarda çalıştırmayı mümkün kılıyor.
Google'ın açık kaynak derin öğrenme çerçevesi TensorFlow, kısa süre önce tam bir 1.0-TensorFlow 1.0.0-rc0 sürümünü yayınladı.
Sürüm 1.0 yalnızca TensorFlow kitaplığındaki makine öğrenimi işlevlerini iyileştirmekle kalmaz, aynı zamanda Python ve Java kullanıcılarına TensorFlow geliştirmesini açar ve hata ayıklamayı iyileştirir. Yeni sürümde, TensorFlow hesaplamaları için optimize edilmiş yeni bir derleyici, akıllı telefon düzeyinde donanım üzerinde çalışabilen bir dizi makine öğrenimi uygulamasının kapısını açıyor.
Python'un makine öğrenimi uygulamalarını geliştirmek ve çalıştırmak için en büyük platformlardan biri olduğu göz önüne alındığında, TensorFlow 1.0 için doğru yaklaşım Python ile etkileşimi iyileştirmeye odaklanmaktır. TensorFlow Python API yükseltildi.Ayrıca, TensorFlow tarafından kullanılan sözdizimi ve metaforlar Python'a daha iyi uyarlanabilir ve ikisi arasında daha iyi tutarlılık sağlayabilir.
Kötü haber şu ki, bu değişiklikler kesinlikle mevcut Python uygulamalarını bozacak. Tensorflow'un geliştiricileri, eski TensorFlow API komut dosyalarını yeni biçime yükseltmek için bir komut dosyası yayınladılar. Ancak, bu komut dosyası her derde deva değildir ve yine de komut dosyalarını manuel olarak ayarlamanız gerekebilir.
TensorFlow artık Python 3 ile uyumlu Docker görüntülerinde kullanılabilir. Tüm Python kullanıcıları için, TensorFlow artık Python'un yerel paket yöneticisi pip aracılığıyla kurulabilir. Bu son nokta, özellikle veri bilimi (Anaconda gibi) yerine stok Python dağıtımlarını kullanan uygulamalar için TensorFlow'un çok yönlülüğünü geliştirmede büyük bir adımdır.
Java, makine öğrenimi için bir başka önemli dil platformudur, ancak bundan önce TensorFlow'un Java bağlantıları yoktu. Çerçevenin TensorFlow 1.0 sürümü bir Java API sunmuştur, ancak tam olmaktan uzaktır ve herhangi bir zamanda değiştirilebilir. Linux veya MacOS'ta kaynak kodundan TensorFlow oluşturabilmeniz gerekir. (Bu derinlemesine bulgular göz önüne alındığında, TensorFlow'un Windows bağlantı noktası hala ikinci sınıf bir vatandaştır.)
XLA ile mobil olun
Belki de TensorFlow 1.0'daki en büyük yeni özelliklerden biri, dil desteği veya yeni algoritmalar değil, TensorFlow hesaplamalarıyla hızlandırılmış doğrusal cebirde (XLA) doğrusal cebir için deneysel bir derleyicidir. CPU veya GPU üzerinde çalışabilen makine kodu oluşturarak belirli matematiksel işlemleri hızlandırır. Şu anda XLA yalnızca Nvidia GPU'ları desteklemektedir, ancak bu, makine öğrenimi uygulamalarını destekleyen GPU'ların genel yapısı ile tutarlıdır.
XLA ayrıca, TensorFlow'un taşınabilirliğini geliştirerek, mevcut TensorFlow programlarının değiştirilmemiş bir şekilde arka uçlar oluşturarak yeni donanım platformlarında çalışmasına izin verir. Bu yeni özellikler, kısmen IBM'in makine öğrenimi için PowerAI donanım çözümüne (hibrit GPU ve Power8 CPU tarafından desteklenen) TensorFlow desteğini eklemesinden kaynaklanmaktadır.
TensorFlow mühendisleri ayrıca uygulamanın genel bellek kullanımını ve alan kullanımını da azalttı. Bu optimizasyonlar genel olarak karşılığını verdi, ancak mobil cihazlar için bu özellikle büyük bir avantaj. TensorFlow'un önceki sürümü, Android, iOS ve Raspberry Pi donanım platformları için destek ekledi ve bu cihazlarda görüntü sınıflandırması ve diğer işlemleri gerçekleştirmesine izin verdi.
Makine öğrenimi tartışması genellikle üst düzey donanımın itici gücünü içerir: özel CPU, GPU dizisi, FPGA ve bulut ortamı tarafından sağlanan ölçek. Ancak teoride, sıradan akıllı telefonlarda çalışan ve her zaman bulut veya arka uç desteği gerektirmeyen bir makine öğrenimi modeli oluşturmak yeni uygulamalar getirebilir. Bu hedeflere tam olarak ulaşılmasa bile, bu çalışmanın TensorFlow'a getireceği faydalar düşünüldüğünde, çabaya değer olmalıdır.
TensorFlow 1.0 Başlıca işlevler ve iyileştirmeler
-
XLA (deneysel sürüm): CPU ve GPU için TensorFlow grafikleri için özel bir derleyici olan XLA'nın ilk sürümü.
-
TensorFlow Hata Ayıklayıcısı (tfdbg): Komut satırı arayüzü ve API.
-
Yeni python 3 docker görüntüsü eklendi.
-
Pip paketini pypi ile uyumlu hale getirin. TensorFlow artık komut aracılığıyla kurulabilir.
-
Birkaç python API'sinin çağırma yöntemi, NumPy'ye daha benzer hale getirmek için değiştirildi.
-
Yeni (deneysel) Java API.
-
Android: Yeni kişi algılama + izleme demo uygulaması - "DNN kullanarak Ölçeklenebilir Nesne Algılama" (ek YOLO nesne dedektörü desteği ile).
-
Android: Sinir ağı sanat tarzı dönüştürme teknolojisini kullanan yeni bir kamera tabanlı görüntü stili dönüştürme gösterimi.
Büyük API değişiklikleri
Mevcut TensorFlow Python kodunuzu aşağıdaki API değişiklikleriyle eşleşecek şekilde yükseltmenize yardımcı olmak için bir dönüşüm komut dosyası hazırladık. Ayrıntılar için lütfen şu adrese bakın: https://github.com/tensorflow/tensorflow/tree/master/tensorflow/tools/compatibility
-
TensorFlow / modelleri ayrı bir github havuzuna taşındı.
-
Bölme ve modül operatörleri (/, //,%) artık Python (döşeme) anlambilimiyle eşleşiyor. Bu aynı zamanda ve için de geçerlidir. Davranışı zorunlu tamsayı kesmeye dayalı olarak elde etmek için ve kullanabilirsiniz.
-
Şimdi bölme işlevi olarak kullanılması önerilir. Kalacaktır, ancak semantiği Python 3'e veya mekanizmaya yanıt vermeyecektir.
-
tf.reverse Şimdi tersine çevrilecek eksenin dizinini alın. Örneğin, şimdi olarak yazılmalıdır. TensorFlow 1.0'ın son sürümüne kadar kalacaktır.
-
Ve artık ve yerine kullanılmamaktadır.
-
Ve kullanımdan kaldırıldı ve ve ile değiştirildi.
-
Kullanımdan kaldırma sürecinde ve gelecekte etkinleştirmeyi planlıyoruz.
-
Aşağıdaki Python işlevlerinin parametrelerinin tümü, belirli bir etki alanına başvururken kullanılmak üzere değiştirilir. Eski anahtar kelime parametrelerinin uyumluluğu korunmaya devam edecek, ancak 1.0'ın son versiyonu tamamlanmadan silinmesi planlanıyor.
-
tf.listdiff, NumPy adıyla eşleşecek şekilde tf.setdiff1d olarak yeniden adlandırıldı.
-
tf.inv, matris inversiyonu olan np.inv ile karışıklığı önlemek için tf.reciprocal (bileşenlerin tersi) olarak yeniden adlandırıldı.
-
tf.round artık NumPy ile eşleştirmek için banker turunu eşitlik anlamını kullanıyor.
-
tf.split artık parametreleri ters sırada ve farklı anahtar sözcükler kullanarak kabul etmektedir. Şimdi NumPy sırasını tf.split (değer, num_or_size_splits, axis) ile eşleştiriyoruz.
-
tf.sparse_split artık parametreleri ters sırada alıyor ve farklı anahtar sözcükler kullanıyor. Şimdi NumPy sırasını tf.sparse_split (sp_input, num_split, axis) ile eşleştiriyoruz. Not: tf.sparse_split için geçici olarak anahtar kelime argümanlarına ihtiyacımız var.
-
tf.concat artık parametreleri ters sırada ve farklı anahtar sözcükler kullanarak kabul etmektedir. Özellikle, NumPy sırasını tf.concat (değerler, eksen, ad) ile eşleştiriyoruz.
-
Varsayılan olarak, tf.image.decode_jpeg, hızı artırmak için biraz aslına uygunluktan ödün vererek daha hızlı DCT yöntemini kullanır. Dct_method = 'INTEGER_ACCURATE' özelliğini belirterek eski davranışa geri dönebilirsiniz.
-
tf.complex_abs, Python arayüzünden kaldırılmıştır. tf.abs karmaşık tensörleri destekler, şimdi tf.abs kullanılmalıdır.
-
Template.var_scope özelliği .variable_scope olarak yeniden adlandırıldı
-
SyncReplicasOptimizer silindi, SyncReplicasOptimizerV2 SyncReplicasOptimizer olarak yeniden adlandırıldı.
-
tf.zeros_initializer ve tf.ones_initializer artık başlatıcı parametresiyle çağrılması gereken çağrılabilir bir değer döndürür. tf.zeros_initializer'ı kodda tf.zeros_initializer ile değiştirin.
-
SparseTensor.shape, SparseTensor.dense_shape olarak yeniden adlandırıldı. SparseTensorValue.shape ile aynı.
-
Sırasıyla tf.scalar_summary, tf.histogram_summary, tf.audio_summary, tf.image_summary ve tf.summary.scalar, tf.summary.histogram, tf.summary.audio, tf.summary.image ile değiştirin. Yeni özet operasyonları, ilk parametreleri olarak etiket yerine isim alıyor, yani özet operasyonlar artık TensorFlow ad aralığına uyuyor.
-
Tf.train.SummaryWriter ve tf.train.SummaryWriterCache yerine tf.summary.FileWriter ve tf.summary.FileWriterCache kullanın.
-
RegisterShape'i genel API'den kaldırın. Kaydetmek için C ++ şekil işlevini kullanın.
-
Python API'deki _ref dtype'lar kullanımdan kaldırıldı.
-
C ++ API'de (tensorflow / cc'de), Input, Output vb. Tensorflow :: ops ad alanından tensorflow'a taşındı.
-
{Softmax, sparse_softmax, sigmoid} _cross_entropy_with_logits'in argüman sırasını (etiketler, tahminler) olarak değiştirin ve adlandırılmış bağımsız değişkenlerin kullanılmasını zorlayın.
Hata değişikliği ve diğer değişiklikler
-
Yeni işlem op: parallel_stack.
-
RecordReader / RecordWriter için tf io sıkıştırma seçeneği sabiti eklendi.
-
Karakter dizesini kimliğe dönüştüren özellik sütununu (özellik sütunu) belirten sparse_column_with_vocabulary_file eklendi.
-
Dizinleri dizelerle eşleyen bir arama tablosu döndüren index_to_string_table eklendi.
-
Dizeyle dizeyle eşleşen bir arama tablosu döndürmek için string_to_index_table ekleyin.
-
ParallelForWithWorkerId işlevini ekleyin.
-
Dizeyle dizeyle eşleşen bir arama tablosu döndürmek için string_to_index_table ekleyin.
-
Destek, Contrib / session_bundle'daki v2'deki denetim noktası dosyasından oturumu devam ettirir.
-
Herhangi bir açıda döndürmek için tf.contrib.image.rotate işlevi eklendi.
-
Değişken listesini normal ifadelere göre filtrelemek için tf.contrib.framework.filter_variables işlevi eklendi.
-
make_template, custom_getter_ parametresi ekleyebilir.
-
Recursive_create_dir içinde mevcut dizinlerin nasıl işleneceği hakkında bir not eklendi.
-
QR çarpanlara ayırma işlemi eklendi.
-
Python API'deki bölümleme ve modlar artık döşeme (Python) anlambilimini kullanıyor.
-
Android: Önceden oluşturulmuş kitaplıklar artık her gece oluşturuluyor.
-
Android: TensorFlow çıkarım kitaplığı cmake / gradle derlemesi artık Contrib / android / cmake altında
-
Android: Daha güçlü oturum başlatma kodu.
-
Android: Hata ayıklama modu etkinleştirildiğinde, TF istatistikleri artık doğrudan demo ve günlükte görüntüleniyor
-
Android: Yeni / daha iyi README.md belgesi
-
Saved_model, tf.saved_model olarak kullanılabilir.
-
Boş işlem artık durum bilgisine sahiptir.
-
CPU'da ASSIGN işleminin scatter_update hızını artırın.
-
Düşürme_indislerini diğer düşürme_sapları ile aynı şekilde ele alacak şekilde azaltın.
-
TensorForestEstimator'ı Contrib / tensor_forest'a taşıyın.
-
Derleyici optimizasyonu varsayılan olarak etkindir ve yapılandırmada yapılandırmaya izin verir.
-
Gösterge ağırlığı yayınını daha sıkı hale getirin.
-
Yeni kuyruk benzeri StagingArea ve yeni operasyon operasyonları ekleyin: aşamalar ve aşamadan çıkarma.
Orijinal adres:
https://github.com/tensorflow/tensorflow/releases/tag/v1.0.0-rc0
artificial-intelligence/tensorflow-10-unlocks-machine-learning-on-smartphones.html
Hakem: Liu Xiaoqin
[AI Unicorn'u Arıyor] Xinzhiyuan, 10 büyük başkentle güçlerini birleştirdi
2017 Girişimcilik Yarışması'nı başlatın
AI Girişimcilik Yarışması, Xinzhiyuan ve 10 ana akım AI girişim sermayesi kuruluşundan oluşur: Blue Run Ventures, Sequoia Capital China Fund, Hillhouse Smart Artificial Intelligence Fund, Blue Lake Capital, Blue Elephant Capital, IDG Capital, Gaorong Capital, CITIC Jiantou Securities, Mingshi Capital ve Songhe Yuanwang Fund tarafından ortaklaşa başlatılan, Xinzhiyuan sponsorluğunda, Pekin Zhongguancun Bilim Parkı Yönetim Komitesi ve Zhongguancun Bilim Parkı Haidian Park Yönetim Komitesi tarafından desteklenen, AI teknoloji liderleri ve yatırım liderlerinin bir araya gelmesidir. Büyük olay. Xinzhiyuan, risk sermayesi kaynaklarıyla geleceğin iddialı AI tek boynuzlu atlarına bağlanmak için güçlü bir fırsat sunuyor ve en iyi risk sermayesi TS sizi bekliyor.
Orijinal metni okumak ve çevrimiçi başvuru formunu doldurmak için makalenin altına tıklayın. Seçime katılmak için kayıt formu gereklidir.
Daha fazla bilgiye sahipseniz (BP, vb.), Xzy100@aiera.com.cn adresine gönderebilirsiniz.Lütfen e-postanın konusuna şirket adını belirtin. Herhangi bir sorunuz varsa, posta kutusuna bir mektup da gönderebilirsiniz.
