Во рамках второй ежегодной конференции TensorFlow Developer Summit разработчики анонсировали ряд нововведений в популярной библиотеке для машинного обучения. Открытый инструмент помогает исследователям во многих областях науки (например, в астрономии) тренировать свои модели искусственного интеллекта, позволяющие принимать более взвешенные и удачные решения.
Что нового?
По словам создателей, с введением более интуитивно понятной модели для Python-разработчиков под названием «жадное» исполнение пользоваться TensorFlow стало ещё удобнее. Этот способ организации проектов стирает грань между конструированием и исполнением вычислительных графов. Теперь пользователи могут разрабатывать модели, а затем использовать тот же самый код для генерации эквивалентных графов для обучения в разных масштабах через высокоуровневый API Estimator.
Также разработчики представили новый метод для разворачивания Estimator-моделей одновременно на нескольких устройствах/машинах. Это позволяет быстро масштабировать модели с минимальными изменениями в программном коде.
Для упрощения повторного использования, отладки и взаимодействия с сообществом была разработана библиотека TensorFlow Hub. Она позволяет быстро публиковать и искать модули (автономные части графа TensorFlow), которые можно ещё раз использовать для решения аналогичных задач. Модули содержат предварительно обученные на больших наборах данных веса и могут быть заново натренированы в других программах, при этом на повторную тренировку понадобится меньше входных данных и времени.
В помощь при отладке и анализе внутренних узлов вычислительного графа в режиме реального времени исследователям предлагается новое расширение для инструмента визуализации TensorBoard.
Для совершенствования процесса построения полноценных нейронных систем был запущен инструмент TensorFlow Model Analysis — открытая библиотека из TensorFlow и Apache Beam, позволяющая вычислять и визуализировать оценочные показатели.
Среди прочих нововведений числятся:
- поддержка других языков программирования (JavaScript с возможностью разработки и тренировки моделей полностью в браузере, Swift — запуск в апреле);
- обновлённая легковесная (75 КБ вместо 1.1 МБ) и ускоренная библиотека TensorFlow Lite;
- интеграция с NVIDIA TensorRT;
- TensorFlow Probability API для реализации современных методов анализа Байеса.
С полным списком изменений можно ознакомиться в источнике. Нейронные сети находят применение не только в науке. Например, их можно обучить придумывать первоапрельские розыгрыши.
Источник: Medium
