TensorFlow 2.0 sesiju jēdziens ir noņemts par labu mērķtiecīgai izpildei, jo dedzīga izpilde ļauj nekavējoties novērtēt un vieglāk atkļūdot darbības, padarot procesu intuitīvāku un Pythonic. Šīs izmaiņas ir būtiskas izmaiņas tajā, kā TensorFlow darbojas un mijiedarbojas ar lietotājiem.
Programmā TensorFlow 1.x sesijas tika izmantotas, lai izveidotu aprēķina grafiku un pēc tam izpildītu to sesijas vidē. Šī pieeja bija jaudīga, taču dažkārt apgrūtinoša, īpaši iesācējiem un lietotājiem, kuri nāk no svarīgākās programmēšanas pieredzes. Ar dedzīgu izpildi operācijas tiek izpildītas nekavējoties, bez nepieciešamības tieši izveidot sesiju.
Sesiju noņemšana vienkāršo TensorFlow darbplūsmu un vairāk saskaņo to ar standarta Python programmēšanu. Tagad lietotāji var rakstīt un izpildīt TensorFlow kodu daudz dabiskāk, līdzīgi kā viņi rakstītu parasto Python kodu. Šīs izmaiņas uzlabo lietotāja pieredzi un pazemina jauno lietotāju mācīšanās līkni.
Ja saskārāties ar AttributeError, mēģinot palaist kādu vingrinājuma kodu, kas balstās uz sesijām programmā TensorFlow 2.0, tas ir saistīts ar faktu, ka sesijas vairs netiek atbalstītas. Lai atrisinātu šo problēmu, jums ir jāpārveido kods, lai izmantotu dedzīgu izpildi. To darot, jūs varat nodrošināt, ka jūsu kods ir saderīgs ar TensorFlow 2.0, un izmantot priekšrocības, ko piedāvā nepacietīga izpilde.
Šeit ir piemērs, lai ilustrētu atšķirību starp sesiju izmantošanu TensorFlow 1.x un dedzīgu izpildi TensorFlow 2.0:
TensorFlow 1.x (izmantojot sesijas):
python import tensorflow as tf # Build a graph a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) # Create a session and run the graph with tf.Session() as sess: result = sess.run(c) print(result)
TensorFlow 2.0 (izmantojot dedzīgu izpildi):
python import tensorflow as tf # Enable eager execution tf.config.run_functions_eagerly(True) # Perform operations without the need for a session a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) print(c)
Atjauninot vingrinājuma kodu, lai izmantotu dedzīgu izpildi, var nodrošināt saderību ar TensorFlow 2.0 un gūt labumu no tās racionalizētās darbplūsmas.
Sesiju noņemšana TensorFlow 2.0 par labu mērķtiecīgai izpildei ir izmaiņas, kas uzlabo ietvara lietojamību un vienkāršību. Izmantojot dedzīgu izpildi, lietotāji var rakstīt TensorFlow kodu dabiskāk un efektīvāk, tādējādi nodrošinot viengabalaināku mašīnmācīšanās izstrādes pieredzi.
Citi jaunākie jautājumi un atbildes par EITC/AI/GCML Google Cloud Machine Learning:
- Kādi ir ierobežojumi darbam ar lielām datu kopām mašīnmācībā?
- Vai mašīnmācība var sniegt dialogu?
- Kas ir TensorFlow rotaļu laukums?
- Ko patiesībā nozīmē lielāka datu kopa?
- Kādi ir daži algoritma hiperparametru piemēri?
- Kas ir ansambļa mācīšanās?
- Ko darīt, ja izvēlētais mašīnmācīšanās algoritms nav piemērots un kā pārliecināties, ka ir izvēlēts pareizais?
- Vai mašīnmācīšanās modelim tā apmācības laikā ir nepieciešama uzraudzība?
- Kādi ir galvenie parametri, ko izmanto neironu tīklu algoritmos?
- Kas ir TensorBoard?
Skatiet citus jautājumus un atbildes pakalpojumā EITC/AI/GCML Google Cloud Machine Learning