TensorFlow 2.0، د TensorFlow وروستۍ نسخه، د Keras او Eager Execution ځانګړتیاوې سره یوځای کوي ترڅو د کاروونکي دوستانه او اغیزمن ژور زده کړې چوکاټ چمتو کړي. کیراس د لوړې کچې عصبي شبکې API دی ، پداسې حال کې چې Eager Execution د عملیاتو سمدستي ارزونې وړ کوي ، TensorFlow ډیر متقابل او هوښیار کوي. دا ترکیب پراختیا کونکو او څیړونکو ته ډیری ګټې راوړي ، د TensorFlow عمومي تجربې ته وده ورکوي.
د TensorFlow 2.0 یو له مهمو ځانګړتیاو څخه د رسمي لوړې کچې API په توګه د Keras ادغام دی. کیراس، په اصل کې د جلا کتابتون په توګه رامینځته شوی، د هغې د سادګۍ او کارولو اسانتیا له امله شهرت ترلاسه کړ. د TensorFlow 2.0 سره، Keras په کلکه د TensorFlow ایکوسیستم کې مدغم شوی، دا د ډیری کارولو قضیو لپاره وړاندیز شوی API جوړوي. دا ادغام کاروونکو ته اجازه ورکوي چې د کیرا سادگي او انعطاف پذیري ګټه پورته کړي پداسې حال کې چې د TensorFlow پراخه وړتیاو څخه ګټه پورته کوي.
د TensorFlow 2.0 بل مهم اړخ د عملیاتو د ډیفالټ حالت په توګه د Eager Execution منل دي. Eager Execution کاروونکو ته وړتیا ورکوي چې عملیات سمدستي ارزونه وکړي لکه څنګه چې ورته ویل کیږي، د دې پرځای چې د کمپیوټري ګراف تعریف کړي او وروسته یې پرمخ بوځي. دا متحرک اجرا کولو حالت د برنامه کولو ډیر هوښیار تجربه چمتو کوي ، د اسانه ډیبګ کولو او ګړندي پروټوټایپ لپاره اجازه ورکوي. سربیره پردې ، د لیوال اجرا کول د کنټرول جریان بیاناتو کارول اسانه کوي لکه لوپس او شرطونه ، کوم چې دمخه په TensorFlow کې پلي کول ننګونکي وو.
د Keras او Eager Execution په یوځای کولو سره، TensorFlow 2.0 د ژورې زده کړې موډلونو جوړولو، روزنې او پلي کولو پروسه ساده کوي. پراختیا کونکي کولی شي د دوی ماډلونو تعریف کولو لپاره د لوړې کچې Keras API وکاروي ، د دې د کارونکي دوستانه ترکیب او د مخکې جوړ شوي پرتونو او ماډلونو پراخه سیټ څخه ګټه پورته کړي. دوی بیا کولی شي دا ماډلونه د TensorFlow د ټیټې کچې عملیاتو او فعالیتونو سره یوځای کړي. دا ادغام د ډیر انعطاف او تخصیص لپاره اجازه ورکوي ، کاروونکو ته وړتیا ورکوي چې خپل ماډلونه ښه تنظیم کړي او د دوی کاري جریان کې پرمختللي ب featuresې شاملې کړي.
سربیره پردې، TensorFlow 2.0 د "tf.function" په نوم یو مفهوم معرفي کوي، کوم چې کاروونکو ته اجازه ورکوي چې خپل کوډ په اتوماتيک ډول د Python افعال په خورا اغیزمنه TensorFlow ګرافونو بدل کړي. دا خصوصیت د کیرا او ایګر اجرایی دواړو ګټو څخه ګټه پورته کوي ، ځکه چې کارونکي کولی شي خپل کوډ په ډیر پیتونک او لازمي سټایل کې ولیکي ، پداسې حال کې چې لاهم د TensorFlow د جامد ګراف اجرا کولو لخوا چمتو شوي د فعالیت اصلاح کولو څخه ګټه پورته کوي.
د دې روښانه کولو لپاره چې څنګه TensorFlow 2.0 د Keras او Eager Execution ځانګړتیاوې سره یوځای کوي، لاندې مثال ته پام وکړئ:
python import tensorflow as tf from tensorflow import keras # Define a simple model using the Keras API model = keras.Sequential([ keras.layers.Dense(64, activation='relu', input_shape=(784,)), keras.layers.Dense(64, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) # Enable Eager Execution tf.compat.v1.enable_eager_execution() # Create a sample input input_data = tf.random.normal((1, 784)) # Use the model to make predictions output = model(input_data) print(output)
په دې مثال کې، موږ لومړی د TensorFlow او Keras ماډل واردوو. موږ د Keras Sequential API په کارولو سره د ساده عصبي شبکې ماډل تعریف کوو، کوم چې د ReLU فعالولو سره دوه پټ پرتونه او د سافټ میکس فعالولو سره د محصول پرت لري. بیا موږ د `tf.compat.v1.enable_eager_execution()` فنکشن په کارولو سره لیواله اجرا کول فعال کړو.
بیا، موږ د TensorFlow تصادفي نورمال فعالیت په کارولو سره د نمونې ان پټ ټینسر رامینځته کوو. په نهایت کې ، موږ د محصول وړاندوینې ترلاسه کولو لپاره د ماډل له لارې آخذه تیروو. څرنګه چې موږ د Eager Execution کاروو، عملیات سمدلاسه اجرا کیږي، او موږ کولی شو مستقیم محصول چاپ کړو.
په TensorFlow 2.0 کې د دې کوډ په چلولو سره، موږ کولی شو د خپل ماډل تعریف کولو لپاره د Keras سادگي او څرګندتیا څخه ګټه واخلو، پداسې حال کې چې د Eager Execution سمدستي اجرا او متقابل طبیعت څخه ګټه پورته کوو.
TensorFlow 2.0 د Keras او Eager Execution ځانګړتیاوې سره یوځای کوي ترڅو د پیاوړي او کاروونکي دوستانه ژورې زده کړې چوکاټ چمتو کړي. د رسمي لوړې کچې API په توګه د Keras ادغام د ماډلونو جوړولو او روزنې پروسه ساده کوي ، پداسې حال کې چې د لیوال اجرا کول متقابل عمل او انعطاف ته وده ورکوي. دا ترکیب پراختیا کونکو او څیړونکو ته وړتیا ورکوي چې خپل موجود کوډ په مؤثره توګه TensorFlow 2.0 ته لوړ کړي او د دې پرمختللي وړتیاو څخه ګټه پورته کړي.
په اړه نورې وروستۍ پوښتنې او ځوابونه EITC/AI/TFF TensorFlow اساسات:
- څنګه کولای شو چی د ویکتورونو په توګه د کلمو د نمایندګۍ د پلاټ لپاره مناسب محورونه په اتوماتيک ډول وټاکو لپاره د سرایت کولو پرت وکاروو؟
- په CNN کې د اعظمي پولینګ هدف څه دی؟
- د عکس پیژندنې لپاره په کنولوشنال عصبي شبکه (CNN) کې د فیچر استخراج پروسه څنګه پلي کیږي؟
- ایا دا اړینه ده چې په TensorFlow.js کې د ماشین زده کړې ماډلونو لپاره د غیر متناسب زده کړې فعالیت وکاروئ؟
- د TensorFlow Keras Tokenizer API د کلمو پیرامیټر اعظمي شمیر څه دی؟
- ایا TensorFlow Keras Tokenizer API د ډیری مکرر کلمو موندلو لپاره کارول کیدی شي؟
- TOCO څه شی دی؟
- د ماشین زده کړې ماډل کې د یو شمیر دورونو او د ماډل چلولو څخه د وړاندوینې دقت ترمنځ اړیکه څه ده؟
- ایا د TensorFlow په عصبي جوړښت شوي زده کړې کې د پیک ګاونډی API د طبیعي ګراف ډیټا پراساس د روزنې ډیټاسیټ وده کوي؟
- د TensorFlow په عصبي ساختماني زده کړې کې د پیک ګاونډی API څه شی دی؟
نورې پوښتنې او ځوابونه په EITC/AI/TFF TensorFlow Fundamentals کې وګورئ