機器學習詞彙表:TensorFlow

本頁麵包含 TensorFlow 詞彙表字詞。如需所有詞彙表字詞,請按這裡

B

批次推論

#TensorFlow
#GoogleCloud

對多個未加上標籤的範例進行「推論」預測的程序,並分為較小的子集 (「批次」)。

批次推論功能可以使用加速器晶片的平行處理功能。也就是說,多個加速器可以同時針對不同批次的無標籤範例進行預測,從而大幅增加每秒的推論數量。

C

Cloud TPU

#TensorFlow
#GoogleCloud

專門用於加快 Google Cloud 機器學習工作負載的硬體加速器

D

Dataset API (tf.data)

#TensorFlow

用於讀取資料,並將其轉換成機器學習演算法所需格式的高階 TensorFlow API。tf.data.Dataset 物件代表一系列的元素,其中每個元素都包含一或多個 Tensortf.data.Iterator 物件可讓您存取 Dataset 的元素。

如要進一步瞭解 Dataset API,請參閱 TensorFlow 程式設計師指南中的 tf.data:建構 TensorFlow 輸入管線

裝置

#TensorFlow
#GoogleCloud

超載字詞,可能的定義有兩種:

  1. 可執行 TensorFlow 工作階段的硬體類別,包括 CPU、GPU 和 TPU
  2. 加速器晶片 (GPU 或 TPU) 上訓練機器學習模型時,系統是系統實際操控張量嵌入的系統部分。裝置搭載加速器晶片。相反地,host 通常是在 CPU 上執行。

E

Eager Execution

#TensorFlow

TensorFlow 程式設計環境會立即執行operations。相較之下,圖表執行作業中呼叫的作業要等到明確評估完成才會執行。Eager 執行是命令式介面,與大多數程式設計語言中的程式碼非常類似。一般來說,Eager 執行程式的偵錯方式比圖形執行程式容易許多。

Estimator

#TensorFlow

已淘汰的 TensorFlow API。使用 tf.keras 而非 Estimator。

F

特徵工程

#fundamentals
#TensorFlow

包含以下步驟的程序:

  1. 判斷哪些特徵在訓練模型時可能較有用。
  2. 將資料集的原始資料轉換成這些特徵的高效率版本。

舉例來說,您可能會判斷 temperature 可能是實用的功能。接著進行特徵分塊,讓模型可從不同的 temperature 範圍中學習。

特徵工程有時也稱為「特徵擷取或「相依性」。

特徵規格

#TensorFlow

說明從 tf.Example 通訊協定緩衝區擷取 features 資料所需的資訊。由於 tf.Example 通訊協定緩衝區只是資料的容器,因此您必須指定下列項目:

  • 要擷取的資料 (亦即特徵的鍵)
  • 資料類型 (例如 float 或 int)
  • 長度 (固定或可變動)

G

圖表

#TensorFlow

TensorFlow 的運算規格圖表中的節點代表作業。邊緣會引導方向,代表將運算結果 (Tensor) 做為運算元傳遞至另一項作業。使用 TensorBoard 以圖表呈現圖表。

Graph Execution

#TensorFlow

TensorFlow 程式設計環境,程式會先建構圖形,然後執行該圖表的所有或部分。圖表執行是 TensorFlow 1.x 的預設執行模式。

此為與eager Execution 的對比。

H

主辦方

#TensorFlow
#GoogleCloud

加速器晶片 (GPU 或 TPU) 上訓練機器學習模型時,系統是控制以下兩者的系統部分:

  • 程式碼的整體流程。
  • 輸入管道的擷取和轉換。

主機通常在 CPU 上執行,而非加速晶片;裝置會操控加速器晶片上的「張量」

L

Layers API (tf.layers)

#TensorFlow

使用 TensorFlow API 以圖層組合的形式建構深層類神經網路。Layers API 可讓您建構不同類型的圖層,例如:

  • tf.layers.Dense 適用於完整連結層
  • tf.layers.Conv2D 代表卷積層。

Layers API 遵循 Keras 層 API 慣例。也就是說,除了不同的前置字串,Layers API 中的所有函式都會與 Keras 層 API 中對應的名稱和簽章相同。

M

網格

#TensorFlow
#GoogleCloud

在機器學習平行程式設計中,一個字詞與將資料和模型指派給 TPU 晶片,並定義這些值的資料分割或複製方式。

網格是一種超載字詞,可能代表以下任一種情況:

  • TPU 晶片的實體版面配置。
  • 用於將資料和模型對應至 TPU 晶片的抽象邏輯結構。

不論是哪一種情況,網格都會指定為形狀

指標

#TensorFlow

您關心的統計資料。

目標是機器學習系統嘗試進行最佳化的指標。

N

節點 (TensorFlow 圖表)

#TensorFlow

TensorFlow graph 中的運算。

O

運算 (操作)

#TensorFlow

在 TensorFlow 中,建立、操作或刪除 Tensor 的任何程序都會遭到刪除。例如,矩陣乘法是指取兩個 Tensor 做為輸入,並產生一個 Tensor 做為輸出的運算。

P

參數伺服器 (PS)

#TensorFlow

在分散式設定中追蹤模型參數的工作。

Q

待播清單

#TensorFlow

實作佇列資料結構的 TensorFlow Operation。通常用於 I/O。

R

排名 (Tensor)

#TensorFlow

Tensor 中的維度數量。例如,純量的排名是 0,向量的排名是 1,矩陣的排名是 2。

請勿與排名 (絕對性) 混淆。

根目錄

#TensorFlow

您指定的目錄,用於託管 TensorFlow 檢查點的子目錄和多個模型的事件檔案。

SavedModel

#TensorFlow

儲存及復原 TensorFlow 模型的建議格式。DML 是語言中立且可復原的序列化格式,可讓較高層級的系統和工具產生、使用及轉換 TensorFlow 模型。

如需完整詳細資料,請參閱 TensorFlow 程式設計師指南中的儲存及還原章節

平價

#TensorFlow

負責儲存模型查核點的 TensorFlow 物件

資料分割

#TensorFlow
#GoogleCloud

訓練集模型的邏輯劃分。一般而言,部分程序會透過將範例參數分成 (通常) 大小相同的區塊來建立資料分割。然後將每個資料分割指派給不同的機器。

資料分割模型稱為「模型平行處理;資料分割稱為「資料平行處理」

摘要

#TensorFlow

在 TensorFlow 中,依據特定步驟計算出的值或一組值,通常用於在訓練期間追蹤模型指標。

T

Tensor

#TensorFlow

TensorFlow 程式的主要資料結構。張量是 N 維的資料結構 (N 可能非常龐大) 資料結構,最常見的是純量、向量或矩陣。Tensor 的元素可包含整數、浮點或字串值。

TensorBoard

#TensorFlow

這個資訊主頁會顯示一或多個 TensorFlow 程式執行期間儲存的摘要。

TensorFlow

#TensorFlow

大規模的分散式機器學習平台。這個詞彙是指 TensorFlow 堆疊中的基本 API 層,支援 Dataflow 圖表的一般計算。

雖然 TensorFlow 主要用於機器學習,但您也能將 TensorFlow 用於需要透過 Dataflow 圖形進行數值計算的非機器學習工作。

TensorFlow Playground

#TensorFlow

以視覺化方式呈現不同超參數如何影響模型 (主要類神經網路) 訓練的程式。前往 http://playground.tensorflow.org 以使用 TensorFlow Playground 進行實驗。

TensorFlow serve

#TensorFlow

在實際工作環境中部署已訓練模型的平台。

Tensor Processing Unit (TPU)

#TensorFlow
#GoogleCloud

應用程式專用的整合式電路 (ASIC),可將機器學習工作負載的效能最佳化。這些 ASIC 會在 TPU 裝置上部署為多個 TPU 晶片

張量排名

#TensorFlow

請參閱排名 (Tensor)

張量的形狀

#TensorFlow

Tensor 包含的各種維度元素數量。舉例來說,[5, 10] Tensor 的形狀是 5,另一個維度為 10。

張量大小

#TensorFlow

Tensor 所含的純量總數。例如,[5, 10] Tensor 的大小為 50。

tf.Example

#TensorFlow

用於說明機器學習模型訓練或推論輸入資料的標準 通訊協定緩衝區

tf.keras

#TensorFlow

已整合至 TensorFlow 中的 Keras 實作。

TPU

#TensorFlow
#GoogleCloud

Tensor Processing Unit 的縮寫。

TPU 晶片

#TensorFlow
#GoogleCloud

可程式線性代數加速器搭配晶片高頻寬記憶體,最適合機器學習工作負載。多個 TPU 晶片部署在 TPU 裝置上。

TPU 裝置

#TensorFlow
#GoogleCloud

一台列印電路板 (PCB),具備多個 TPU 晶片、高頻寬網路介面和系統冷氣硬體。

TPU 主要執行個體

#TensorFlow
#GoogleCloud

在主機上執行的中央協調程序,可傳送和接收資料、結果、計畫、效能和系統健康狀態資訊給 TPU 工作站。TPU 主要執行個體也會管理 TPU 裝置的設定和關閉作業。

TPU 節點

#TensorFlow
#GoogleCloud

Google Cloud 中採用特定 TPU 類型的 TPU 資源。TPU 節點會從對等互連虛擬私有雲網路連線至虛擬私有雲網路。TPU 節點是 Cloud TPU API 中定義的資源。

TPU Pod

#TensorFlow
#GoogleCloud

Google 資料中心內的 TPU 裝置特定設定。TPU Pod 中的所有裝置都會透過專屬的高速網路相互連線。TPU Pod 是適用於特定 TPU 版本的 TPU 裝置最大的配置。

TPU 資源

#TensorFlow
#GoogleCloud

您在 Google Cloud 上建立、管理或使用的 TPU 實體。舉例來說,TPU 節點TPU 類型即為 TPU 資源。

TPU 配量

#TensorFlow
#GoogleCloud

TPU 配量是 TPU PodTPU 裝置的一小部分。TPU 配量中的所有裝置都是透過專屬的高速網路相互連線。

TPU 類型

#TensorFlow
#GoogleCloud

採用特定 TPU 硬體版本的一或多個 TPU 裝置設定。在 Google Cloud 中建立 TPU 節點時,您需要選取 TPU 類型。舉例來說,v2-8 TPU 類型就是具有 8 個核心的單一 TPU v2 裝置。一個 v3-2048 TPU 類型有 256 部連網 TPU v3 裝置,總共有 2,048 個核心。TPU 類型是在 Cloud TPU API 中定義的資源。

TPU 工作站

#TensorFlow
#GoogleCloud

在主體機器上執行的程序,在 TPU 裝置上執行機器學習程式。