„TensorFlow 2.0“ versijoje seansų sąvoka buvo pašalinta, o ne noriai vykdyti, nes norint greitai atlikti operacijas galima nedelsiant atlikti klaidų derinimą, todėl procesas tampa intuityvesnis ir Pythonic. Šis pakeitimas reiškia reikšmingą „TensorFlow“ veikimo ir sąveikos su vartotojais pokytį.
„TensorFlow 1.x“ seansai buvo naudojami skaičiavimo grafikui sudaryti ir vykdyti seanso aplinkoje. Šis metodas buvo galingas, bet kartais sudėtingas, ypač pradedantiesiems ir vartotojams, turintiems sudėtingesnių programavimo žinių. Nekantriai vykdant, operacijos atliekamos iš karto, nereikia tiesiogiai sukurti seanso.
Seansų pašalinimas supaprastina TensorFlow darbo eigą ir labiau suderina ją su standartiniu Python programavimu. Dabar vartotojai gali rašyti ir vykdyti TensorFlow kodą natūraliau, panašiai kaip rašytų įprastą Python kodą. Šis pakeitimas pagerina vartotojo patirtį ir sumažina naujų vartotojų mokymosi kreivę.
Jei susidūrėte su AttributeError, kai bandote paleisti pratimų kodą, kuris priklauso nuo seansų „TensorFlow 2.0“, taip yra dėl to, kad seansai nebepalaikomi. Norėdami išspręsti šią problemą, turite pakeisti kodą, kad galėtumėte naudoti norimą vykdymą. Tai darydami galite užtikrinti, kad jūsų kodas yra suderinamas su TensorFlow 2.0 ir pasinaudoti privalumais, kuriuos siūlo nekantrus vykdymas.
Štai pavyzdys, iliustruojantis skirtumą tarp seansų naudojimo TensorFlow 1.x ir nekantriai vykdymo TensorFlow 2.0:
TensorFlow 1.x (naudojant seansus):
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 (naudojant nekantriai vykdomą):
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)
Atnaujinę pratybų kodą, kad būtų lengviau atlikti norimą darbą, galima užtikrinti suderinamumą su TensorFlow 2.0 ir pasinaudoti jos supaprastinta darbo eiga.
Seansų pašalinimas iš „TensorFlow 2.0“ ir noriai vykdomas yra pakeitimas, padidinantis sistemos patogumą ir paprastumą. Nekantriai vykdydami, vartotojai gali rašyti TensorFlow kodą natūraliau ir efektyviau, todėl mašininio mokymosi kūrimo patirtis yra sklandesnė.
Kiti naujausi klausimai ir atsakymai apie EITC/AI/GCML „Google Cloud Machine Learning“:
- Kokie yra apribojimai dirbant su dideliais duomenų rinkiniais mašininio mokymosi metu?
- Ar mašininis mokymasis gali padėti dialogui?
- Kas yra TensorFlow žaidimų aikštelė?
- Ką iš tikrųjų reiškia didesnis duomenų rinkinys?
- Kokie yra algoritmo hiperparametrų pavyzdžiai?
- Kas yra ansamblinis mokymasis?
- Ką daryti, jei pasirinktas mašininio mokymosi algoritmas netinka ir kaip įsitikinti, kad pasirinksite tinkamą?
- Ar mašininio mokymosi modelį reikia prižiūrėti jo mokymo metu?
- Kokie pagrindiniai parametrai naudojami neuroniniais tinklais pagrįstuose algoritmuose?
- Kas yra TensorBoard?
Peržiūrėkite daugiau klausimų ir atsakymų EITC/AI/GCML Google Cloud Machine Learning