TensorFlow 2.0 adalah kerangka kerja sumber terbuka yang populer dan banyak digunakan untuk pembelajaran mesin dan pembelajaran mendalam yang dikembangkan oleh Google. Ini menawarkan berbagai fitur utama yang membuatnya mudah digunakan dan kuat untuk berbagai aplikasi di bidang kecerdasan buatan. Dalam jawaban ini, kami akan mengeksplorasi fitur-fitur utama ini secara terperinci, menyoroti nilai didaktisnya dan memberikan pengetahuan faktual untuk mendukung kepentingannya.
1. Eager Execution: Salah satu peningkatan besar di TensorFlow 2.0 adalah penerapan eager execution sebagai mode default. Eksekusi yang bersemangat memungkinkan evaluasi operasi secara langsung, membuatnya lebih mudah untuk men-debug dan memahami perilaku kode. Ini menghilangkan kebutuhan untuk sesi terpisah dan menyederhanakan model pemrograman secara keseluruhan. Fitur ini sangat berharga bagi pemula karena memberikan pengalaman yang lebih intuitif dan interaktif saat menulis model pembelajaran mesin.
Contoh:
python import tensorflow as tf # Enable eager execution tf.compat.v1.enable_eager_execution() # Define a simple computation x = tf.constant([1, 2, 3]) y = tf.constant([4, 5, 6]) z = tf.multiply(x, y) print(z)
Keluaran:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
2. Integrasi Keras: TensorFlow 2.0 terintegrasi erat dengan Keras, API jaringan saraf tingkat tinggi. Keras menyediakan antarmuka yang mudah digunakan dan modular untuk membangun model pembelajaran yang mendalam. Dengan TensorFlow 2.0, Keras kini menjadi API tingkat tinggi resmi untuk TensorFlow, menawarkan cara yang disederhanakan dan konsisten untuk menentukan, melatih, dan menerapkan model. Integrasi ini meningkatkan kemudahan penggunaan dan memungkinkan pembuatan prototipe dan eksperimen yang cepat.
Contoh:
python import tensorflow as tf from tensorflow.keras import layers # Define a simple sequential model using Keras model = tf.keras.Sequential() model.add(layers.Dense(64, activation='relu', input_shape=(784,))) model.add(layers.Dense(10, activation='softmax')) # Compile the model model.compile(optimizer=tf.keras.optimizers.Adam(), loss=tf.keras.losses.SparseCategoricalCrossentropy(), metrics=['accuracy']) # Train the model model.fit(x_train, y_train, epochs=10, validation_data=(x_val, y_val))
3. API Sederhana: TensorFlow 2.0 menyediakan API sederhana yang mengurangi kerumitan dan meningkatkan keterbacaan. API telah didesain ulang agar lebih intuitif dan konsisten, membuatnya lebih mudah untuk dipelajari dan digunakan. API baru menghilangkan kebutuhan akan ketergantungan kontrol eksplisit dan kumpulan grafik, menyederhanakan kode dan mengurangi boilerplate. Penyederhanaan ini bermanfaat bagi pemula karena mengurangi kurva pembelajaran dan memungkinkan pengembangan model pembelajaran mesin yang lebih cepat.
Contoh:
python import tensorflow as tf # Define a simple computation using the simplified API x = tf.constant([1, 2, 3]) y = tf.constant([4, 5, 6]) z = tf.multiply(x, y) print(z)
Keluaran:
tf.Tensor([ 4 10 18], shape=(3,), dtype=int32)
4. Penerapan Model yang Disempurnakan: TensorFlow 2.0 memperkenalkan TensorFlow SavedModel, format serialisasi untuk model TensorFlow. SavedModel mempermudah penyimpanan, pemuatan, dan penerapan model di berbagai platform dan lingkungan. Ini merangkum arsitektur model, variabel, dan grafik komputasi, memungkinkan berbagi dan melayani model dengan mudah. Fitur ini berharga bagi praktisi pemula dan berpengalaman, karena menyederhanakan proses penerapan model dalam pengaturan produksi.
Contoh:
python import tensorflow as tf # Save the model model.save('my_model') # Load the model loaded_model = tf.keras.models.load_model('my_model') # Use the loaded model for inference result = loaded_model.predict(input_data)
5. TensorFlow Datasets: TensorFlow 2.0 menyediakan modul TensorFlow Datasets (TFDS), yang menyederhanakan proses pemuatan dan prapemrosesan dataset. TFDS menawarkan kumpulan kumpulan data yang umum digunakan, bersama dengan API standar untuk mengakses dan memanipulasinya. Fitur ini sangat berguna untuk pemula karena menghilangkan kebutuhan untuk pra-pemrosesan data manual dan memungkinkan eksperimen cepat dengan kumpulan data yang berbeda.
Contoh:
python import tensorflow as tf import tensorflow_datasets as tfds # Load a dataset from TensorFlow Datasets dataset = tfds.load('mnist', split='train', shuffle_files=True) # Preprocess the dataset dataset = dataset.map(lambda x: (tf.cast(x['image'], tf.float32)/255.0, x['label'])) dataset = dataset.batch(32) # Train a model using the preprocessed dataset model.fit(dataset, epochs=10)
TensorFlow 2.0 menawarkan beberapa fitur utama yang menjadikannya kerangka kerja yang kuat dan mudah digunakan untuk pembelajaran mesin. Adopsi dari eager execution, integrasi dengan Keras, API yang disederhanakan, penerapan model yang ditingkatkan, dan Kumpulan Data TensorFlow menyediakan lingkungan yang lebih intuitif dan efisien untuk mengembangkan model pembelajaran mesin. Fitur-fitur ini meningkatkan nilai didaktis TensorFlow 2.0, membuatnya dapat diakses oleh pemula sekaligus memenuhi kebutuhan praktisi berpengalaman.
Pertanyaan dan jawaban terbaru lainnya tentang Dasar-dasar TensorFlow EITC/AI/TFF:
- Bagaimana cara menggunakan lapisan penyematan untuk secara otomatis menetapkan sumbu yang tepat untuk plot representasi kata sebagai vektor?
- Apa tujuan pengumpulan maksimal di CNN?
- Bagaimana proses ekstraksi fitur dalam jaringan saraf konvolusional (CNN) diterapkan pada pengenalan gambar?
- Apakah fungsi pembelajaran asinkron perlu digunakan untuk model pembelajaran mesin yang berjalan di TensorFlow.js?
- Berapa parameter jumlah kata maksimum TensorFlow Keras Tokenizer API?
- Bisakah TensorFlow Keras Tokenizer API digunakan untuk menemukan kata yang paling sering digunakan?
- Apa itu TOCO?
- Apa hubungan antara jumlah epoch dalam model pembelajaran mesin dan keakuratan prediksi dari menjalankan model?
- Apakah API paket tetangga di Neural Structured Learning TensorFlow menghasilkan kumpulan data pelatihan tambahan berdasarkan data grafik alami?
- Apa yang dimaksud dengan API paket tetangga di Neural Structured Learning TensorFlow?
Lihat lebih banyak pertanyaan dan jawaban di EITC/AI/TFF TensorFlow Fundamentals