Глоссарий машинного обучения: TensorFlow

Эта страница содержит термины глоссария TensorFlow. Чтобы просмотреть все термины глоссария, нажмите здесь .

Б

пакетный вывод

#TensorFlow
#GoogleCloud

Процесс вывода прогнозов на нескольких немаркированных примерах , разделенных на более мелкие подмножества («партии»).

Пакетный вывод может использовать возможности распараллеливания микросхем-ускорителей . То есть несколько ускорителей могут одновременно делать прогнозы на разных пакетах немаркированных примеров, что значительно увеличивает количество выводов в секунду.

С

Облачный ТПУ

#TensorFlow
#GoogleCloud

Специализированный аппаратный ускоритель, предназначенный для ускорения рабочих нагрузок машинного обучения в Google Cloud.

Д

API набора данных (tf.data)

#TensorFlow

Высокоуровневый API TensorFlow для чтения данных и преобразования их в форму, необходимую алгоритму машинного обучения. Объект tf.data.Dataset представляет собой последовательность элементов, в которой каждый элемент содержит один или несколько Tensor . Объект tf.data.Iterator обеспечивает доступ к элементам Dataset .

Подробные сведения об API набора данных см. в разделе tf.data: Build входные конвейеры TensorFlow в Руководстве программиста TensorFlow .

устройство

#TensorFlow
#GoogleCloud

Перегруженный термин со следующими двумя возможными определениями:

  1. Категория оборудования, на котором можно запустить сеанс TensorFlow, включая процессоры, графические процессоры и TPU .
  2. При обучении модели МО на чипах-ускорителях (GPU или TPU) — той части системы, которая фактически манипулирует тензорами и внедрениями . Устройство работает на чипах-ускорителях. Напротив, хост обычно работает на процессоре.

Э

нетерпеливое исполнение

#TensorFlow

Среда программирования TensorFlow, в которой операции выполняются немедленно. Напротив, операции, вызываемые при выполнении графа, не выполняются до тех пор, пока они не будут явно оценены. Стремительное выполнение — это императивный интерфейс , во многом похожий на код большинства языков программирования. Программы быстрого выполнения обычно гораздо легче отлаживать, чем программы выполнения на графе.

Оценщик

#TensorFlow

Устаревший API TensorFlow. Используйте tf.keras вместо оценщиков.

Ф

разработка функций

#основы
#TensorFlow

Процесс, который включает в себя следующие этапы:

  1. Определение того, какие функции могут быть полезны при обучении модели.
  2. Преобразование необработанных данных из набора данных в эффективные версии этих функций.

Например, вы можете решить, что temperature может быть полезной функцией. Затем вы можете поэкспериментировать с группированием , чтобы оптимизировать то, что модель может узнать из разных temperature диапазонов.

Инжиниринг функций иногда называют извлечением функций или реализацией функций.

спецификация функции

#TensorFlow

Описывает информацию, необходимую для извлечения данных функций из буфера протокола tf.Example . Поскольку буфер протокола tf.Example — это всего лишь контейнер для данных, необходимо указать следующее:

  • Данные для извлечения (то есть ключи для функций)
  • Тип данных (например, float или int)
  • Длина (фиксированная или переменная)

г

график

#TensorFlow

В TensorFlow — спецификация вычислений. Узлы графа представляют операции. Ребра являются направленными и представляют собой передачу результата операции ( Tensor ) в качестве операнда в другую операцию. Используйте TensorBoard для визуализации графика.

выполнение графа

#TensorFlow

Среда программирования TensorFlow, в которой программа сначала создает граф , а затем выполняет весь или часть этого графа. Выполнение графа — это режим выполнения по умолчанию в TensorFlow 1.x.

Сравните с нетерпеливым исполнением .

ЧАС

хозяин

#TensorFlow
#GoogleCloud

При обучении модели МО на чипах-ускорителях (GPU или TPU ) — это часть системы, которая контролирует оба следующих фактора:

  • Общий поток кода.
  • Извлечение и преобразование входного трубопровода.

Хост обычно работает на процессоре, а не на чипе-ускорителе; устройство манипулирует тензорами на чипах ускорителя.

л

API слоев (tf.layers)

#TensorFlow

API TensorFlow для построения глубокой нейронной сети как композиции слоев. Layers API позволяет создавать различные типы слоев , например:

API слоев соответствует соглашениям API слоев Keras . То есть, за исключением другого префикса, все функции в API слоев имеют те же имена и подписи, что и их аналоги в API слоев Keras.

М

сетка

#TensorFlow
#GoogleCloud

В параллельном программировании машинного обучения — термин, связанный с назначением данных и модели микросхемам TPU и определением того, как эти значения будут сегментироваться или реплицироваться.

Сетка — это перегруженный термин, который может означать одно из следующих значений:

  • Физическое расположение чипов ТПУ.
  • Абстрактная логическая конструкция для отображения данных и модели на чипах TPU.

В любом случае сетка указывается как shape .

метрика

#TensorFlow

Статистика, которая вас волнует.

Цель — это показатель, который система машинного обучения пытается оптимизировать.

Н

узел (граф TensorFlow)

#TensorFlow

Операция в графе TensorFlow.

О

операция (оп)

#TensorFlow

В TensorFlow — любая процедура, которая создает, манипулирует или уничтожает Tensor . Например, умножение матрицы — это операция, которая принимает два тензора на входе и генерирует один тензор на выходе.

п

Сервер параметров (PS)

#TensorFlow

Задание, которое отслеживает параметры модели в распределенной среде.

вопрос

очередь

#TensorFlow

Операция TensorFlow, реализующая структуру данных очереди. Обычно используется при вводе-выводе.

р

ранг (тензор)

#TensorFlow

Количество измерений в тензоре . Например, скаляр имеет ранг 0, вектор имеет ранг 1, а матрица имеет ранг 2.

Не путать с рангом (ординальностью) .

корневая директория

#TensorFlow

Каталог, который вы указываете для размещения подкаталогов контрольной точки TensorFlow и файлов событий нескольких моделей.

С

Сохраненнаямодель

#TensorFlow

Рекомендуемый формат для сохранения и восстановления моделей TensorFlow. SavedModel — это независимый от языка восстанавливаемый формат сериализации, который позволяет системам и инструментам более высокого уровня создавать, использовать и преобразовывать модели TensorFlow.

Подробную информацию см. в главе «Сохранение и восстановление» в Руководстве программиста TensorFlow.

Экономьте

#TensorFlow

Объект TensorFlow , отвечающий за сохранение контрольных точек модели.

осколок

#TensorFlow
#GoogleCloud

Логическое разделение обучающего набора или модели . Как правило, некоторые процессы создают сегменты, разделяя примеры или параметры на (обычно) фрагменты одинакового размера. Затем каждый осколок назначается отдельной машине.

Шардинг модели называется параллелизмом модели ; сегментирование данных называется параллелизмом данных .

краткое содержание

#TensorFlow

В TensorFlow — значение или набор значений, вычисляемые на определенном этапе , обычно используемые для отслеживания показателей модели во время обучения.

Т

Тензор

#TensorFlow

Основная структура данных в программах TensorFlow. Тензоры — это N-мерные (где N может быть очень большими) структуры данных, чаще всего скаляры, векторы или матрицы. Элементы тензора могут содержать целые числа, значения с плавающей запятой или строковые значения.

Тензорборд

#TensorFlow

Панель мониторинга, на которой отображаются сводные данные, сохраненные во время выполнения одной или нескольких программ TensorFlow.

ТензорФлоу

#TensorFlow

Крупномасштабная распределенная платформа машинного обучения. Этот термин также относится к базовому уровню API в стеке TensorFlow, который поддерживает общие вычисления на графах потоков данных.

Хотя TensorFlow в основном используется для машинного обучения, вы также можете использовать TensorFlow для задач, не связанных с машинным обучением, которые требуют численных вычислений с использованием графов потоков данных.

Детская площадка TensorFlow

#TensorFlow

Программа, которая визуализирует, как различные гиперпараметры влияют на обучение модели (в первую очередь нейронной сети). Перейдите на http://playground.tensorflow.org , чтобы поэкспериментировать с игровой площадкой TensorFlow.

Обслуживание TensorFlow

#TensorFlow

Платформа для внедрения обученных моделей в производство.

Тензорный процессор (ТПУ)

#TensorFlow
#GoogleCloud

Интегральная схема для конкретного приложения (ASIC), которая оптимизирует производительность рабочих нагрузок машинного обучения. Эти ASIC развертываются в виде нескольких микросхем TPU на устройстве TPU .

Тензорный ранг

#TensorFlow

См. ранг (Тензор) .

Тензорная форма

#TensorFlow

Количество элементов, содержащихся в тензоре в различных измерениях. Например, тензор [5, 10] имеет форму 5 в одном измерении и 10 в другом.

Размер тензора

#TensorFlow

Общее количество скаляров, содержащихся в тензоре . Например, тензор [5, 10] имеет размер 50.

tf.Пример

#TensorFlow

Стандартный буфер протокола для описания входных данных для обучения или вывода модели машинного обучения.

tf.keras

#TensorFlow

Реализация Keras, интегрированная в TensorFlow .

ТПУ

#TensorFlow
#GoogleCloud

Аббревиатура от Tensor Processing Unit .

ТПУ чип

#TensorFlow
#GoogleCloud

Программируемый ускоритель линейной алгебры со встроенной памятью с высокой пропускной способностью, оптимизированный для рабочих нагрузок машинного обучения. На устройстве TPU развернуто несколько чипов TPU.

Устройство ТПУ

#TensorFlow
#GoogleCloud

Печатная плата (PCB) с несколькими микросхемами TPU , сетевыми интерфейсами с высокой пропускной способностью и оборудованием для охлаждения системы.

магистр ТПУ

#TensorFlow
#GoogleCloud

Централизованный процесс координации, выполняемый на хост-компьютере, который отправляет и получает данные, результаты, программы, производительность и информацию о состоянии системы работникам TPU . Мастер TPU также управляет настройкой и выключением устройств TPU .

узел ТПУ

#TensorFlow
#GoogleCloud

Ресурс TPU в Google Cloud с определенным типом TPU . Узел TPU подключается к вашей сети VPC из одноранговой сети VPC . Узлы TPU — это ресурс, определенный в Cloud TPU API .

ТПУ Под

#TensorFlow
#GoogleCloud

Конкретная конфигурация устройств TPU в дата-центре Google. Все устройства в модуле TPU подключены друг к другу через выделенную высокоскоростную сеть. Модуль TPU — это самая большая конфигурация устройств TPU, доступная для конкретной версии TPU.

Ресурс ТПУ

#TensorFlow
#GoogleCloud

Объект TPU в Google Cloud, который вы создаете, управляете или используете. Например, узлы TPU и типы TPU являются ресурсами TPU.

кусочек ТПУ

#TensorFlow
#GoogleCloud

Срез TPU — это дробная часть устройств TPU в модуле TPU . Все устройства в срезе TPU подключены друг к другу через выделенную высокоскоростную сеть.

Тип ТПУ

#TensorFlow
#GoogleCloud

Конфигурация одного или нескольких устройств TPU с определенной версией оборудования TPU. Вы выбираете тип TPU при создании узла TPU в Google Cloud. Например, тип TPU v2-8 — это одно устройство TPU v2 с 8 ядрами. Тип v3-2048 TPU имеет 256 сетевых устройств TPU v3 и в общей сложности 2048 ядер. Типы TPU — это ресурс, определенный в Cloud TPU API .

работник ТПУ

#TensorFlow
#GoogleCloud

Процесс, который запускается на хост-компьютере и выполняет программы машинного обучения на устройствах TPU .