Max Home IndustryЕсть новая версия Google TensorFlow с Keras, включенным как часть основного API.
TensorFlow — это инструмент Google с открытым исходным кодом, который можно использовать для широкого спектра параллельных вычислений, включая реализацию нейронных сетей и других методов обучения ИИ. Он разработан, чтобы упростить работу с нейронными сетями, и рассматривается как более общий и простой, чем другие варианты. Новый выпуск 1.4 теперь общедоступен, и разработчики говорят, что он большой.
Основное улучшение заголовка — включение Keras в ядро TensorFlow. Keras — это среда машинного обучения, которая сама по себе является API нейронной сети. Он был написан на Python и разработан с упором на возможность быстрого экспериментирования. В TensorFlow Keras интегрирован с другими API-интерфейсами, включая API-интерфейс Estimator.
Еще одно улучшение состоит в том, что API набора данных перешел в статус основного пакета. Версия 1.4 Dataset API также добавляет поддержку генераторов Python, и разработчики настоятельно рекомендуют использовать Dataset API для создания входных конвейеров для моделей TensorFlow, потому что он имеет лучшие функции, чем старый API, работает лучше, чище и проще в использовании. API набора данных можно использовать для создания сложных конвейеров ввода из простых, повторно используемых частей, взяв данные из исходного источника, а затем манипулируя данными, чтобы сделать их пригодными для дальнейшего использования. Вы можете преобразовать набор данных, связав вызовы методов для исходного объекта. Наиболее распространенный способ получения значений из набора данных — создать объект-итератор, который предоставляет доступ к одному элементу набора данных за раз. Разработчики говорят, что в будущем они собираются сосредоточить внимание на API набора данных, а не на старых API.
В новой версии TensorFlow также представлена служебная функция Estimator.train_and_evaluate, которая упрощает обучение, оценку и экспорт моделей оценщика. Это означает, что вы можете использовать распределенное выполнение для обучения и оценки в дополнение к локальному выполнению.