Bu sayfada TensorFlow sözlüğündeki terimler yer almaktadır. Tüm terimler için burayı tıklayın.
B
toplu çıkarım
Daha küçük alt kümelere ("gruplar") bölünmüş birden fazla etiketlenmemiş örnek için tahminleri tahmin etme işlemi.
Toplu çıkarım, hızlandırıcı çiplerin paralelleştirme özelliklerinden yararlanabilir. Yani birden fazla hızlandırıcı, etiketlenmemiş farklı örnek grupları için aynı anda tahminler yürütebilir. Bu da saniye başına çıkarım sayısını önemli ölçüde artırır.
Daha fazla bilgi için Makine Öğrenimi Acele Kursu'ndaki Üretim ML sistemleri: Statik ve dinamik çıkarım bölümüne bakın.
C
Cloud TPU
Google Cloud'daki makine öğrenimi iş yüklerini hızlandırmak için tasarlanmış özel bir donanım hızlandırıcı.
D
Dataset API (tf.data)
Verileri okuyup makine öğrenimi algoritmasının gerektirdiği bir biçime dönüştürmek için kullanılan yüksek düzey bir TensorFlow API'si.
tf.data.Dataset nesnesi, her öğenin bir veya daha fazla Tenzor içerdiği bir öğe dizisi temsil eder. tf.data.Iterator nesnesi, Dataset öğelerine erişim sağlar.
cihaz
Aşağıdaki iki olası tanımı olan aşırı yüklenmiş bir terim:
- CPU'lar, GPU'lar ve TPU'lar dahil olmak üzere TensorFlow oturumu çalıştırabilen bir donanım kategorisi.
- Hızlandırıcı çiplerde (GPU'lar veya TPU'lar) bir ML modeli eğitirken tenzorları ve yerleşimlerini gerçekten işleyen sistem bölümü. Cihaz, hızlandırıcı çiplerle çalışır. Buna karşılık, ana makine genellikle bir CPU'da çalışır.
E
anında yürütme
İşlemlerin hemen çalıştığı bir TensorFlow programlama ortamı. Buna karşılık, grafik yürütme sırasında çağrılan işlemler açıkça değerlendirilene kadar çalıştırılmaz. İstenmeden yürütme, çoğu programlama dilindeki koda benzer şekilde zorunlu bir arayüzdür. İsteksiz yürütme programlarında genellikle hata ayıklama işlemi, grafik yürütme programlarına kıyasla çok daha kolaydır.
Estimator
Kullanımdan kaldırılmış bir TensorFlow API'sidir. Tahminciler yerine tf.keras kullanın.
C
özellik mühendisliği
Aşağıdaki adımları içeren bir süreç:
- Bir modeli eğitirken hangi özelliklerin yararlı olabileceğini belirleme
- Veri kümesinden elde edilen ham verileri bu özelliklerin verimli sürümlerine dönüştürme.
Örneğin, temperature özelliğinin faydalı olabileceğini düşünebilirsiniz. Ardından, modelin farklı temperature aralıklarından neler öğrenebileceğini optimize etmek için gruplandırma ile denemeler yapabilirsiniz.
Özellik mühendisliği bazen özellik ayıklama veya özellik oluşturma olarak da adlandırılır.
Daha fazla bilgi için Makine Öğrenimi Acele Kursu'ndaki Sayısal veriler: Bir model, özellik vektörlerini kullanarak verileri nasıl alır? başlıklı makaleyi inceleyin.
özellik spesifikasyonu
tf.Example protokol arabelleğinden özellik verilerini ayıklamak için gereken bilgileri açıklar. tf.Example protokol arabelleği yalnızca verileri içeren bir kapsayıcı olduğundan aşağıdakileri belirtmeniz gerekir:
- Ayıklanacak veriler (yani özelliklerin anahtarları)
- Veri türü (ör. float veya int)
- Uzunluk (sabit veya değişken)
G
grafik
TensorFlow'da bir hesaplama spesifikasyonu. Grafikteki düğümler işlemleri temsil eder. Kenarlar yönlendirilir ve bir işlemin sonucunun (Tensor) başka bir işleme operatör olarak aktarılmasını temsil eder. Bir grafiği görselleştirmek için TensorBoard'u kullanın.
grafik yürütme
Programın önce bir grafik oluşturduğu ve ardından bu grafiğin tamamını veya bir kısmını yürüttüğü bir TensorFlow programlama ortamı. Grafik yürütme, TensorFlow 1.x'teki varsayılan yürütme modudur.
İvedi yürütme ile karşılaştırın.
H
düzenleyen
Hızlandırıcı çiplerde (GPU'lar veya TPU'lar) bir makine öğrenimi modeli eğitilirken sistemin aşağıdakilerin ikisini de kontrol eden kısmı:
- Kodun genel akışı.
- Giriş ardışık düzeninin ayıklanması ve dönüştürülmesi.
Ana makine genellikle hızlandırıcı çipte değil, CPU'da çalışır. Cihaz, hızlandırıcı çiplerdeki tenzorları işler.
L
Layers API (tf.layers)
Katmanlardan oluşan bir derin sinir ağı oluşturmak için kullanılan TensorFlow API'si. Layers API, aşağıdakiler gibi farklı katman türleri oluşturmanıza olanak tanır:
tf.layers.Denseiçin tamamen bağlı katman.tf.layers.Conv2Diçin bir konvolüsyon katmanı.
Layers API, Keras katman API'si kurallarına uyar. Yani Layers API'deki tüm işlevler, farklı bir ön ek dışında Keras layers API'deki benzerleriyle aynı ada ve imzaya sahiptir.
M
örgü
ML paralel programlamasında, verileri ve modeli TPU çiplerine atama ve bu değerlerin nasıl bölüneceğini veya çoğaltılacağını tanımlamayla ilişkili bir terimdir.
Örgü, aşağıdakilerden biri anlamına gelebilecek aşırı yüklenmiş bir terimdir:
- TPU çiplerinin fiziksel düzeni.
- Verileri ve modeli TPU çipleriyle eşlemek için soyut mantıksal yapı.
Her iki durumda da ağ, şekil olarak belirtilir.
metrik
Önemsediğiniz bir istatistik.
Hedef, bir makine öğrenimi sisteminin optimize etmeye çalıştığı bir metriktir.
H
düğüm (TensorFlow grafiği)
TensorFlow grafında bir işlem.
O
işlem (op)
TensorFlow'da, Tensor oluşturan, manipüle eden veya yok eden herhangi bir prosedür. Örneğin, matris çarpımı, giriş olarak iki Tensör alan ve çıkış olarak bir Tensör oluşturan bir işlemdir.
P
Parametre sunucusu (PS)
Dağıtılmış bir ortamda bir modelin parametrelerini izleyen bir iş.
S
sıra
Sıralı veri yapısı uygulayan bir TensorFlow İşlemi. Genellikle G/Ç'de kullanılır.
K
rank (Tensor)
Tensor boyut sayısı. Örneğin, skalerlerin 0, vektörlerin 1 ve matrislerin 2 boyutu vardır.
Sıralama (sıralı düzen) ile karıştırılmamalıdır.
kök dizin
Birden fazla modelin TensorFlow kontrol noktası ve etkinlik dosyalarının alt dizinlerini barındırmak için belirttiğiniz dizin.
S
SavedModel
TensorFlow modellerini kaydetmek ve kurtarmak için önerilen biçim. SavedModel, üst düzey sistemlerin ve araçların TensorFlow modellerini oluşturmasına, kullanmasına ve dönüştürmesine olanak tanıyan, dile duyarlı olmayan, kurtarılabilir bir serileştirme biçimidir.
Ayrıntılı bilgi için TensorFlow Programcı Kılavuzu'nun Kaydetme ve Geri Yükleme bölümüne bakın.
Tasarruflu
Model kontrol noktalarını kaydetmekten sorumlu bir TensorFlow nesnesi.
kırık
Eğitim kümesinin veya modelin mantıksal bir bölümü. Genellikle bazı işlemler, örnekleri veya parametreleri (genellikle) eşit boyutlu parçalara ayırarak parçalar oluşturur. Ardından her bir parça farklı bir makineye atanır.
Bir modeli bölme işlemine model paralelliği, verileri bölme işlemine ise veri paralelliği denir.
özet
TensorFlow'da, belirli bir adım sırasında hesaplanan ve genellikle eğitim sırasında model metriklerini izlemek için kullanılan bir değer veya değer grubu.
T
Tensor
TensorFlow programlarındaki birincil veri yapısı. Tensörler, N boyutlu (N çok büyük olabilir) veri yapıları olup en yaygın olarak skalerler, vektörler veya matrislerdir. Bir tenzorun öğeleri tam sayı, kayan nokta veya dize değerleri içerebilir.
TensorBoard
Bir veya daha fazla TensorFlow programının yürütülmesi sırasında kaydedilen özetlerin gösterildiği kontrol paneli.
TensorFlow
Büyük ölçekli, dağıtılmış bir makine öğrenimi platformu. Bu terim, TensorFlow yığındaki ve veri akışı grafiklerinde genel hesaplamayı destekleyen temel API katmanını da ifade eder.
TensorFlow, esas olarak makine öğrenimi için kullanılsa da TensorFlow'u, veri akışı grafikleri kullanarak sayısal hesaplama gerektiren makine öğrenimi dışı görevler için de kullanabilirsiniz.
TensorFlow Playground
Farklı hiper parametrelerin model (özellikle de sinir ağı) eğitimini nasıl etkilediğini görselleştiren bir program. TensorFlow Playground'u denemek için http://playground.tensorflow.org adresine gidin.
TensorFlow Serving
Eğitilmiş modelleri üretime dağıtmak için bir platform.
Tensor İşleme Birimi (TPU)
Makine öğrenimi iş yüklerinin performansını optimize eden, uygulamaya özel entegre devre (ASIC). Bu ASIC'ler, TPU cihazında birden fazla TPU çipi olarak dağıtılır.
Tensör sıralaması
rank (Tensor) konusuna bakın.
Tensör şekli
Bir Tensor çeşitli boyutlarda içerdiği öğe sayısı.
Örneğin, bir [5, 10] tenörünün bir boyutu 5, diğer boyutu 10 olabilir.
Tensör boyutu
Bir Tensor içerdiği toplam skaler sayısı. Örneğin, [5, 10] tenörünün boyutu 50'dir.
tf.Example
Makine öğrenimi modeli eğitimi veya çıkarım için giriş verilerini tanımlayan standart bir protokol arabelleği.
tf.keras
TensorFlow'a entegre edilmiş Keras uygulaması.
TPU
Tensor İşleme Birimi kısaltması.
TPU çipi
Makine öğrenimi iş yükleri için optimize edilmiş, çip üzerinde yüksek bant genişliğine sahip belleğe sahip programlanabilir bir doğrusal cebir hızlandırıcı. TPU cihazına birden fazla TPU çipi dağıtılır.
TPU cihazı
Birden fazla TPU çipi, yüksek bant genişliğine sahip ağ arayüzleri ve sistem soğutma donanımına sahip bir baskılı devre kartı (PCB).
TPU ana makine
Ana makinede çalışan ve TPU çalışanlarına veri, sonuç, program, performans ve sistem sağlığı bilgileri gönderip alan merkezi koordinasyon süreci. TPU ana makinesi, TPU cihazlarının kurulumunu ve kapatılmasını da yönetir.
TPU düğümü
Google Cloud'da belirli bir TPU türüne sahip bir TPU kaynağı. TPU düğümü, eş VPC ağındaki VPC ağınıza bağlanır. TPU düğümleri, Cloud TPU API'de tanımlanan bir kaynaktır.
TPU Kapsülü
Google veri merkezindeki TPU cihazlarının belirli bir yapılandırması. Bir TPU kapsülünde bulunan tüm cihazlar özel bir yüksek hızlı ağ üzerinden birbirine bağlıdır. TPU kapsülü, belirli bir TPU sürümü için kullanılabilen en büyük TPU cihazı yapılandırmasıdır.
TPU kaynağı
Google Cloud'da oluşturduğunuz, yönettiğiniz veya kullandığınız bir TPU öğesi. Örneğin, TPU düğümleri ve TPU türleri TPU kaynaklarıdır.
TPU dilimi
TPU dilimi, TPU kapsülünde bulunan TPU cihazlarının kesirli bir bölümüdür. Bir TPU dilimindeki tüm cihazlar özel bir yüksek hızlı ağ üzerinden birbirine bağlıdır.
TPU türü
Belirli bir TPU donanım sürümüne sahip bir veya daha fazla TPU cihazından oluşan yapılandırma. Google Cloud'da TPU düğümü oluştururken bir TPU türü seçersiniz. Örneğin, v2-8 TPU türü, 8 çekirdeğe sahip tek bir TPU v2 cihazıdır. v3-2048 TPU türünde 256 ağ bağlantılı TPU v3 cihazı ve toplam 2.048 çekirdek bulunur. TPU türleri, Cloud TPU API'de tanımlanan bir kaynaktır.
TPU çalışanı
Ana makinede çalışan ve TPU cihazlarında makine öğrenimi programlarını yürüten bir işlemdir.