Di TensorFlow 2.0, konsep sesi telah dihapus dan digantikan dengan eksekusi yang bersemangat, karena eksekusi yang bersemangat memungkinkan evaluasi langsung dan proses debug operasi yang lebih mudah, menjadikan prosesnya lebih intuitif dan Pythonic. Perubahan ini menunjukkan perubahan signifikan dalam cara TensorFlow beroperasi dan berinteraksi dengan pengguna.
Di TensorFlow 1.x, sesi digunakan untuk membuat grafik komputasi dan kemudian mengeksekusinya dalam lingkungan sesi. Pendekatan ini ampuh namun terkadang rumit, terutama bagi pemula dan pengguna yang memiliki latar belakang pemrograman yang lebih penting. Dengan eksekusi yang bersemangat, operasi segera dieksekusi, tanpa perlu membuat sesi secara eksplisit.
Penghapusan sesi menyederhanakan alur kerja TensorFlow dan menyelaraskannya lebih dekat dengan pemrograman Python standar. Sekarang, pengguna dapat menulis dan mengeksekusi kode TensorFlow dengan lebih alami, mirip dengan cara mereka menulis kode Python biasa. Perubahan ini meningkatkan pengalaman pengguna dan menurunkan kurva pembelajaran bagi pengguna baru.
Jika Anda mengalami AttributeError saat mencoba menjalankan beberapa kode latihan yang mengandalkan sesi di TensorFlow 2.0, hal ini disebabkan oleh fakta bahwa sesi tersebut tidak lagi didukung. Untuk mengatasi masalah ini, Anda perlu memfaktorkan ulang kode agar dapat memanfaatkan eksekusi yang bersemangat. Dengan melakukan hal ini, Anda dapat memastikan bahwa kode Anda kompatibel dengan TensorFlow 2.0 dan memanfaatkan manfaat yang ditawarkan oleh eksekusi yang bersemangat.
Berikut ini contoh untuk mengilustrasikan perbedaan antara penggunaan sesi di TensorFlow 1.x dan eksekusi bersemangat di TensorFlow 2.0:
TensorFlow 1.x (menggunakan sesi):
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 (menggunakan eksekusi yang bersemangat):
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)
Dengan memperbarui kode latihan untuk memanfaatkan eksekusi yang cepat, seseorang dapat memastikan kompatibilitas dengan TensorFlow 2.0 dan mendapatkan manfaat dari alur kerjanya yang disederhanakan.
Penghapusan sesi di TensorFlow 2.0 dan mendukung eksekusi yang bersemangat menunjukkan perubahan yang meningkatkan kegunaan dan kesederhanaan framework. Dengan menerapkan eksekusi yang penuh semangat, pengguna dapat menulis kode TensorFlow dengan lebih alami dan efisien, sehingga menghasilkan pengalaman pengembangan machine learning yang lebih lancar.
Pertanyaan dan jawaban terbaru lainnya tentang Pembelajaran Mesin Google Cloud EITC/AI/GCML:
- Apa saja batasan dalam bekerja dengan kumpulan data besar dalam pembelajaran mesin?
- Bisakah pembelajaran mesin memberikan bantuan dialogis?
- Apa yang dimaksud dengan taman bermain TensorFlow?
- Apa sebenarnya arti kumpulan data yang lebih besar?
- Apa saja contoh hyperparameter algoritma?
- Apa itu pembelajaran ansambel?
- Bagaimana jika algoritme pembelajaran mesin yang dipilih tidak sesuai dan bagaimana cara memastikan bahwa algoritme tersebut dipilih dengan benar?
- Apakah model pembelajaran mesin memerlukan pengawasan selama pelatihannya?
- Apa parameter kunci yang digunakan dalam algoritma berbasis jaringan saraf?
- Apa itu TensorBoard?
Lihat pertanyaan dan jawaban lainnya di EITC/AI/GCML Google Cloud Machine Learning