TensorFlow 2.0, versi terbaru dari TensorFlow, menggabungkan fitur Keras dan Eager Execution untuk menyediakan kerangka pembelajaran mendalam yang lebih ramah pengguna dan efisien. Keras adalah API jaringan saraf tingkat tinggi, sedangkan Eager Execution memungkinkan evaluasi operasi secara langsung, menjadikan TensorFlow lebih interaktif dan intuitif. Kombinasi ini memberikan beberapa manfaat bagi developer dan peneliti, meningkatkan pengalaman TensorFlow secara keseluruhan.
Salah satu fitur utama TensorFlow 2.0 adalah integrasi Keras sebagai API tingkat tinggi resmi. Keras, awalnya dikembangkan sebagai perpustakaan terpisah, mendapatkan popularitas karena kesederhanaan dan kemudahan penggunaannya. Dengan TensorFlow 2.0, Keras terintegrasi erat ke dalam ekosistem TensorFlow, menjadikannya API yang direkomendasikan untuk sebagian besar kasus penggunaan. Integrasi ini memungkinkan pengguna memanfaatkan kesederhanaan dan fleksibilitas Keras sambil memanfaatkan kemampuan ekstensif TensorFlow.
Aspek penting lainnya dari TensorFlow 2.0 adalah penerapan Eager Execution sebagai mode operasi default. Eager Execution memungkinkan pengguna untuk mengevaluasi operasi segera setelah dipanggil, daripada menentukan grafik komputasi dan menjalankannya nanti. Mode eksekusi dinamis ini memberikan pengalaman pemrograman yang lebih intuitif, memungkinkan debugging yang lebih mudah dan pembuatan prototipe yang lebih cepat. Selain itu, Eager Execution memfasilitasi penggunaan pernyataan alur kontrol seperti loop dan kondisional, yang sebelumnya menantang untuk diterapkan di TensorFlow.
Dengan menggabungkan Eksekusi Keras dan Eager, TensorFlow 2.0 menyederhanakan proses pembuatan, pelatihan, dan penerapan model pembelajaran mendalam. Pengembang dapat menggunakan Keras API tingkat tinggi untuk menentukan model mereka, memanfaatkan sintaks yang mudah digunakan dan serangkaian lapisan dan model pra-bangun yang ekstensif. Mereka kemudian dapat mengintegrasikan model ini secara mulus dengan operasi dan fungsionalitas tingkat rendah TensorFlow. Integrasi ini memungkinkan fleksibilitas dan penyesuaian yang lebih besar, memungkinkan pengguna menyempurnakan model mereka dan memasukkan fitur lanjutan ke dalam alur kerja mereka.
Selain itu, TensorFlow 2.0 memperkenalkan konsep yang disebut "tf.function", yang memungkinkan pengguna mengoptimalkan kode mereka dengan mengonversi fungsi Python secara otomatis menjadi grafik TensorFlow yang sangat efisien. Fitur ini memanfaatkan manfaat Keras dan Eager Execution, karena pengguna dapat menulis kode mereka dengan gaya yang lebih Pythonic dan imperatif, sambil tetap mendapatkan keuntungan dari pengoptimalan kinerja yang disediakan oleh eksekusi grafik statis TensorFlow.
Untuk mengilustrasikan bagaimana TensorFlow 2.0 menggabungkan fitur Keras dan Eager Execution, pertimbangkan contoh berikut:
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)
Dalam contoh ini, pertama-tama kita mengimpor TensorFlow dan modul Keras. Kami mendefinisikan model jaringan saraf sederhana menggunakan Keras Sequential API, yang terdiri dari dua lapisan tersembunyi dengan aktivasi ReLU dan lapisan keluaran dengan aktivasi softmax. Kami kemudian mengaktifkan Eager Execution menggunakan fungsi `tf.compat.v1.enable_eager_execution()`.
Selanjutnya, kita membuat sampel input tensor menggunakan fungsi normal acak TensorFlow. Terakhir, kami melewatkan input melalui model untuk mendapatkan prediksi output. Karena kami menggunakan Eager Execution, operasi akan segera dieksekusi, dan kami dapat langsung mencetak hasilnya.
Dengan menjalankan kode ini di TensorFlow 2.0, kita dapat memanfaatkan kesederhanaan dan ekspresifitas Keras untuk menentukan model kita, sekaligus mendapatkan manfaat dari eksekusi langsung dan sifat interaktif Eager Execution.
TensorFlow 2.0 menggabungkan fitur Keras dan Eager Execution untuk memberikan kerangka pembelajaran mendalam yang kuat dan mudah digunakan. Integrasi Keras sebagai API tingkat tinggi resmi menyederhanakan proses pembuatan dan pelatihan model, sementara Eager Execution meningkatkan interaktivitas dan fleksibilitas. Kombinasi ini memungkinkan pengembang dan peneliti untuk secara efisien memutakhirkan kode mereka yang ada ke TensorFlow 2.0 dan memanfaatkan kemampuannya yang canggih.
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