V TensorFlow 2.0 bol koncept relácií odstránený v prospech dychtivého vykonávania, pretože dychtivé vykonávanie umožňuje okamžité vyhodnotenie a jednoduchšie ladenie operácií, vďaka čomu je proces intuitívnejší a Pythonic. Táto zmena predstavuje významný posun v tom, ako TensorFlow funguje a komunikuje s používateľmi.
V TensorFlow 1.x boli relácie použité na vytvorenie výpočtového grafu a jeho následné vykonanie v prostredí relácie. Tento prístup bol výkonný, ale niekedy ťažkopádny, najmä pre začiatočníkov a používateľov pochádzajúcich z naliehavejšieho programovacieho prostredia. S dychtivým vykonávaním sa operácie vykonávajú okamžite, bez potreby explicitného vytvorenia relácie.
Odstránenie relácií zjednodušuje pracovný postup TensorFlow a viac ho zosúlaďuje so štandardným programovaním v Pythone. Teraz môžu používatelia písať a spúšťať kód TensorFlow oveľa prirodzenejšie, podobne ako by písali bežný kód Python. Táto zmena zlepšuje používateľskú skúsenosť a skracuje krivku učenia pre nových používateľov.
Ak ste narazili na AttributeError pri pokuse o spustenie nejakého kódu cvičenia, ktorý sa spolieha na relácie v TensorFlow 2.0, je to spôsobené tým, že relácie už nie sú podporované. Ak chcete tento problém vyriešiť, musíte kód zrefaktorovať, aby ste využili dychtivé spustenie. Tým sa môžete uistiť, že váš kód je kompatibilný s TensorFlow 2.0 a využiť výhody, ktoré ponúka dychtivé vykonávanie.
Tu je príklad na ilustráciu rozdielu medzi používaním relácií v TensorFlow 1.xa dychtivým vykonávaním v TensorFlow 2.0:
TensorFlow 1.x (pomocou relácií):
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 (pomocou dychtivého vykonávania):
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)
Aktualizáciou kódu cvičenia s cieľom využiť dychtivé vykonávanie je možné zabezpečiť kompatibilitu s TensorFlow 2.0 a profitovať z jeho zjednodušeného pracovného postupu.
Odstránenie relácií v TensorFlow 2.0 v prospech dychtivého vykonávania predstavuje zmenu, ktorá zvyšuje použiteľnosť a jednoduchosť rámca. Vďaka dychtivému vykonávaniu môžu používatelia písať kód TensorFlow prirodzenejšie a efektívnejšie, čo vedie k bezproblémovejšiemu vývoju strojového učenia.
Ďalšie nedávne otázky a odpovede týkajúce sa EITC/AI/GCML Google Cloud Machine Learning:
- Aké sú obmedzenia pri práci s veľkými množinami údajov v rámci strojového učenia?
- Môže strojové učenie pomôcť pri dialógu?
- Čo je ihrisko TensorFlow?
- Čo vlastne znamená väčší súbor údajov?
- Aké sú niektoré príklady hyperparametrov algoritmu?
- Čo je to súborové učenie?
- Čo ak vybraný algoritmus strojového učenia nie je vhodný a ako sa možno uistiť, že vyberiete ten správny?
- Potrebuje model strojového učenia počas tréningu dohľad?
- Aké sú kľúčové parametre používané v algoritmoch založených na neurónových sieťach?
- Čo je TensorBoard?
Ďalšie otázky a odpovede nájdete v EITC/AI/GCML Google Cloud Machine Learning