Ditulis oleh Wolff Dobson dan Josh Gordon
TensorFlow 2.0 berfokus pada kemudahan penggunaan, dengan API bagi pemula dan lanjut untuk membuat model machine learning. Dalam artikel terbaru seperti Apa yang akan hadir di TensorFlow 2.0 dan Standardisasi Keras , kami memperkenalkan fitur baru dan arah yang dituju platform ini.
Hari ini di TensorFlow Developer Summit , kami mengumumkan bahwa Anda bisa mencoba pratinjau awal TensorFlow 2.0.
Cara memulai
Cara terbaik untuk mulai menggunakan TensorFlow 2.0 Alpha adalah dengan langsung membuka situs TensorFlow yang baru . Anda bisa menemukan panduan dan tutorial tahap awal untuk rilis alpha di tensorflow.org/alpha . Setiap tutorial yang Anda temukan di dokumen Alpha akan secara otomatis mendownload dan menginstal TensorFlow 2.0 Alpha, dan banyak lagi yang akan segera datang!
Kami sarankan memulai dengan contoh “Hello World” untuk level pemula dan lanjut , kemudian membaca panduan seperti Effective TensorFlow 2.0 .
Contoh pemula menggunakan Keras Sequential API: cara paling sederhana untuk mulai menggunakan TensorFlow 2.0.
Contoh lanjut menunjukkan cara menulis forward pass secara imperatif, cara menulis training loop khusus menggunakan GradientTape, dan cara menggunakan tf.function untuk meng-compile kode Anda secara otomatis (hanya dengan satu baris!).
Juga terdapat berbagai panduan baru, termasuk:
Yang terpenting, panduan tentang AutoGraph (yang memungkinkan Anda untuk mendapatkan semua kinerja dan portabilitas grafik, tanpa harus menulis kode level grafik).
Panduan tentang mengupgrade kode Anda (dengan skrip konversi yang memudahkan konversi kode TensorFlow 1.x menjadi 2.0)
Panduan tahap awal tambahan untuk Keras .
Ada juga referensi API yang direvisi, jika Anda ingin melihat apa saja yang berubah (sekarang dengan simbol yang jauh lebih sedikit). Perhatikan bahwa, ketika TensorFlow 2.0 dalam status pengembangan aktif, dokumen 1.x akan menjadi halaman landing default di tensorflow.org. Jika Anda menjelajahi referensi API, pastikan Anda telah memilih versi TensorFlow yang tepat.
Penginstalan
Untuk menginstal rilis Alpha, kami sarankan untuk membuat lingkungan virtual baru dan menggunakan:
# CPU
pip install tensorflow==2.0.0-alpha0
# GPU
pip install tensorflow-gpu==2.0.0-alpha0
Yang terpenting, kami sarankan untuk melihat panduan penginstalan di tensorflow.org untuk detail selengkapnya (catatan: ini akan diupdate dalam waktu dekat, rilis ini adalah yang terbaru!). Anda juga bisa mencoba Alpha di Colab dengan menggunakan salah satu notebook baru di situs pada bagian TensorFlow 2.0 Alpha.
Fungsi, bukan sesi
Mari kita dalami bagaimana dua fitur 2.0 ini bekerja sama: Eksekusi eager dan @tf.function.
Salah satu perubahan terbesar adalah bahwa TensorFlow mengutamakan eager, yang berarti bahwa operasi dijalankan dengan segera setelah mereka dipanggil. Di TensorFlow 1.x, Anda mungkin familier dengan terlebih dahulu membuat grafik kemudian mengeksekusi potongan grafik melalui tf.Session.run(). TensorFlow 2.0 secara radikal menyederhanakan penggunaan TensorFlow — operasi hebat yang sama, sekarang jauh lebih mudah dipahami dan digunakan.
a = tf.constant([1, 2])
b = tf.constant([3, 4])
print(a + b)
# returns: tf.Tensor([4 6], shape=(2,), dtype=int32)
TensorFlow 2.0 menggunakan Keras sebagai pengalaman developer inti. Dengan 2.0, Anda bisa menggunakan Keras seperti yang Anda tahu, membangun model dengan Sequential API, kemudian menggunakan compile dan fit. Semua contoh tf.keras yang familier dari tensorflow.org ini langsung berfungsi di versi 2.0.
Keras fit() berfungsi dengan baik untuk banyak kasus, tetapi bagi yang membutuhkan lebih banyak fleksibilitas tersedia banyak pilihan. Mari kita lihat training loop khusus yang ditulis dengan model TensorFlow 2.0 dari contoh ini :
# See https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/autograph.ipynb
def train_one_step(model, optimizer, x, y):
with tf.GradientTape() as tape:
logits = model(x)
loss = compute_loss(y, logits)
grads = tape.gradient(loss, model.trainable_variables)
optimizer.apply_gradients(zip(grads, model.trainable_variables))
compute_accuracy(y, logits)
return loss
def train(model, optimizer):
train_ds = mnist_dataset()
step = 0
loss = 0.0
for x, y in train_ds:
step += 1
loss = train_one_step(model, optimizer, x, y)
if tf.equal(step % 10, 0):
tf.print('Step', step, ': loss',
loss, '; accuracy', compute_accuracy.result())
return step, loss, accuracy
Contoh ini menggunakan GradientTape model-Autograd dan menerapkan gradien Anda secara manual melalui optimizer. Ini bisa berguna untuk menulis training loop khusus dengan pengerjaan inti yang rumit seperti dalam pembelajaran penguatan, atau untuk riset (mempermudah pengerjaan ide baru Anda untuk optimizer yang lebih efisien).
Eksekusi eager juga berguna untuk proses debug dan pemantauan kode saat dijalankan, karena Anda bisa menggunakan debugger Python untuk memeriksa objek seperti variabel, layer, dan gradien. Kami menggunakan konstruksi Python seperti if, for, dan print() dalam training loop kami.
Setelah kode Anda berfungsi seperti yang diinginkan, Anda tentunya ingin mendapatkan efisiensi dan optimalisasi grafik. Untuk ini, Anda harus membungkus train dengan dekorator @tf.function. Autograph dibangun ke dalam tf.function, jadi Anda tidak perlu melakukan hal khusus untuk mendapatkan klausa if atau for yang berjalan dengan efisiensi grafik.
# See https://github.com/tensorflow/docs/blob/master/site/en/r2/guide/autograph.ipynb
@tf.function
def train(model, optimizer):
train_ds = mnist_dataset()
step = 0
loss = 0
accuracy = 0
for x, y in train_ds:
# as above, including the "if" and "print()"
return step
Kode ini akan bekerja persis sama dengan tanpa anotasi, tetapi dikompilasi ke dalam grafik yang bisa berjalan dengan mudah di GPU, TPU, atau disimpan ke dalam SavedModel untuk digunakan belakangan.
Bagian yang sangat menyenangkan dari hal ini adalah dengan membungkus train() di @tf.function, train_one_step(), compute_loss(), dan compute_accuracy() juga akan secara otomatis dikonversi. Anda juga bisa memilih untuk membungkus hanya sebagian dari komputasi di @tf.function untuk mendapatkan perilaku yang Anda inginkan.
Selain itu, Estimators sepenuhnya didukung di TensorFlow 2.0. Lihat tutorial baru untuk Boosted Trees dan Model Understanding.
Kami dengan senang hati menerima pengujian dan masukan!
Kami akan sangat menghargai setiap masukan ketika Anda mencoba versi terbaru dan mengupgrade model Anda! Silakan bergabung dengan kelompok pengguna testing@ TensorFlow dan silakan menghadiri TF 2.0 support stand-ups mingguan kami (Selasa, 14:00 PT).
Anda mungkin akan menemukan bug, masalah kinerja, dan banyak lagi, dan kami mendorong Anda untuk melaporkannya di pelacak masalah kami yang di-tag dengan label 2.0 . Hal paling membantu yang bisa Anda lakukan adalah memasukkan contoh minimal serta lengkap yang mereproduksi bug secara tepat.
Segera hadir lebih banyak lagi
Untuk mendapatkan informasi terbaru tentang masalah yang diketahui dan pekerjaan pengembangan untuk TensorFlow 2.0, silakan lihat TF 2.0 Project Tracker di Github kami. Kami terus bekerja dan meningkatkan TensorFlow 2.0, sehingga Anda akan sering menjumpai upgrade ke paket nightly build. Agar jelas, ini adalah rilis pratinjau developer. Kami menghargai setiap masukan Anda!
Selain itu, jika Anda telah membuat sesuatu yang luar biasa dengan TF 2.0 — dari aplikasi seluler hingga project riset sampai instalasi seni — kami sangat ingin mendengarnya dan menandai karya Anda. Silakan beri tahu kami di sini .
Jika Anda telah mengembangkan contoh terbaru yang ingin Anda bagikan, silakan pertimbangkan untuk mengirimkan PR agar ditambahkan ke organisasi TensorFlow sebagai bagian dari tensorflow/examples/community .
AnaPoker Poker Online | DominoQQ | Bandar Ceme | Capsa | Daftar Poker Online | Situs Poker Terpercaya dan Aman di Indonesia
ReplyDeleteDengan 1 USERID saja sudah bisa mainkan semua permainan yang ada di Anapoker.
Permainan yang ada di Anapoker cukup lengkap dan menarik:
☻ POKER
☻ DOMINO
☻ CEME
☻ CEME KELILING
☻ CAPSA
☻ SUPER 10
☻ OMAHA
Tak hanya itu saja, Anapoker juga di support oleh Bank ternama di Indonesia, BCA, BRI, BNI, MANDIRI dan DANAMON.
PROMO BONUS MENARIK
BONUS GEDE
DOMINOQQ ANAPOKER
POKER ONLINE
SITUS POKER TERPERCAYA
AGEN POKER TERPERCAYA
JUDI POKER ONLINER
BONUS TERBESAR DI ANAPOKER
HADIAH ANAPOKER
Untuk info selanjutnya, bisa hubungi kami di:
WEBSITE : http://anapoker.cc/
BBM : D8B84EE1 / AGENS128
WA : 0852-2255-5128 .
Terima kasih .. Salam Agens128 :)
Agen Maxbet Terpercaya Through which Article is stuffed with helpful. Many thanks for that kind connected to expressing C Follow through later on.
ReplyDeletePaketQQ merupakan situs judi dominoqq online dan bandarq dengan pelayanan 24 jam online non stop dan proses deposit withdraw terpercaya di indonesia.
ReplyDelete
ReplyDeleteOnline porno izleme ve indirmek için önce canlı sohbet hattı kanalından iletişime geçmelisiniz.
Situs Judi QQ
ReplyDeleteSitus Judi Online
Situs Judi BandarQ
Situs Judi Domino QQ
Situs Judi Poker Online
Poker Online
Judi Online
Situs BandarQ Online
BandarQ
PKV Games
En Kaliteli Sosyal Medyanın Prenses Bayanları Bu Sitede Yalova Escort
ReplyDelete
ReplyDeletetuvalette veren kızların hd videosu liseli porno granny mature hd yasli porno video indir
thank you for sharing this information with us. daftar situs poker online
ReplyDeleteO macacão Epitex, respirável, em tecidos de polipropileno SMS
ReplyDeletealtamente respirável, também resistente a poeira e respingos prejudiciais,
FacebookACCOUNTShttps://www.facebook.com/Epitex-Portugal-103922688449057
de acordo com os tipos 5 e 6. Não deixa fiapos e, portanto, é muito adequado para uma ampla gama de aplicações onde o usuário da roupa deve ser protegido e o ambiente não deve ser contaminado pelas fibras da roupa.
O Epitex possui costuras planas recobertas por fita isolante termicamente, conforme despacho de 07 de março de 2013 referente à escolha dos equipamentos de proteção individual utilizados em operações que envolvam risco de exposição ao amianto Kit cueca de algodão sem toalha
Hello ada penawaran bagus loh ini ,
ReplyDeleteIni kami dari Bonanza138 slot gacor
Menawarkan permainan yang berbeda dari yang lain , karna sangat gacor dan sangat banyak pilihan game dengan RTP yang tinggi.
Nah mau tidak bergabung dengan team kami , kamu termasuk team apa?
Kami ada dua duanya loh disini kami lagi cari team yang sebanyak banyaknya.
Segera bergabung dong dengan team kami AntiRungkadGacorClub
Merupakan situs slot online yang paling populer dan paling diminati saat ini.
Ada versi mobilenya juga loh .