Halaman ini berisi istilah glosarium TensorFlow. Untuk semua istilah glosarium, klik di sini.
B
inferensi batch
Proses menyimpulkan prediksi pada beberapa contoh tak berlabel yang dibagi menjadi subset yang lebih kecil ("batch").
Inferensi batch dapat memanfaatkan fitur paralelisasi dari chip akselerator. Artinya, beberapa akselerator dapat secara bersamaan menyimpulkan prediksi pada berbagai batch contoh tak berlabel, yang secara drastis meningkatkan jumlah inferensi per detik.
C
Cloud TPU
Akselerator hardware khusus yang dirancang untuk mempercepat workload machine learning di Google Cloud.
D
Dataset API (tf.data)
TensorFlow API tingkat tinggi untuk membaca data dan mentransformasinya menjadi bentuk yang diperlukan oleh algoritma machine learning.
Objek tf.data.Dataset mewakili urutan elemen, yang mana
setiap elemen berisi satu atau beberapa Tensor. Objek tf.data.Iterator
memberikan akses ke elemen Dataset.
Untuk mengetahui detail tentang Dataset API, lihat tf.data: Membangun pipeline input TensorFlow di Panduan Programmer TensorFlow.
perangkat
Istilah yang berlebihan dengan dua kemungkinan definisi berikut:
- Kategori hardware yang dapat menjalankan sesi TensorFlow, termasuk CPU, GPU, dan TPU.
- Saat melatih model ML pada chip akselerator (GPU atau TPU), bagian dari sistem yang benar-benar memanipulasi tensor dan embeddings. Perangkat berjalan pada chip akselerator. Sebaliknya, host biasanya berjalan pada CPU.
E
eksekusi segera
Lingkungan pemrograman TensorFlow tempat operations dijalankan secara langsung. Sebaliknya, operasi yang disebut eksekusi grafik tidak dijalankan sampai dievaluasi secara eksplisit. Eksekusi segera adalah antarmuka imperatif, seperti kode dalam sebagian besar bahasa pemrograman. Program eksekusi segera umumnya jauh lebih mudah di-debug daripada program eksekusi grafik.
Penghitung
TensorFlow API yang tidak digunakan lagi. Gunakan tf.keras, bukan Assessment.
F
rekayasa fitur
Proses yang melibatkan langkah-langkah berikut:
- Menentukan fitur mana yang mungkin berguna dalam melatih model.
- Mengonversi data mentah dari set data menjadi versi yang efisien dari fitur-fitur tersebut.
Misalnya, Anda dapat menentukan bahwa temperature mungkin merupakan fitur
yang berguna. Kemudian, Anda dapat bereksperimen dengan pengelompokan untuk mengoptimalkan apa yang dapat dipelajari model dari berbagai rentang temperature.
Rekayasa fitur terkadang disebut ekstraksi fitur atau featurisasi.
spesifikasi fitur
Menjelaskan informasi yang diperlukan untuk mengekstrak data fitur dari buffering protokol tf.Example. Karena buffering protokol tf.Example hanyalah penampung untuk data, Anda harus menentukan hal berikut:
- Data yang akan diekstrak (yaitu, kunci untuk fitur)
- Tipe data (misalnya, float atau int)
- Panjang (tetap atau variabel)
G
grafik
Di TensorFlow, spesifikasi komputasi. Node dalam grafik mewakili operasi. Edge diarahkan dan merepresentasikan penerusan hasil operasi (Tensor) sebagai operand ke operasi lain. Gunakan TensorBoard untuk memvisualisasikan grafik.
eksekusi grafik
Lingkungan pemrograman TensorFlow tempat program terlebih dahulu membuat grafik, lalu menjalankan semua atau sebagian grafik tersebut. Eksekusi grafik adalah mode eksekusi default di TensorFlow 1.x.
Berbeda dengan eksekusi segera.
H
host
Saat melatih model ML pada chip akselerator (GPU atau TPU), bagian dari sistem yang mengontrol kedua hal berikut:
- Keseluruhan alur kode.
- Ekstraksi dan transformasi pipeline input.
Host biasanya berjalan pada CPU, bukan pada chip akselerator; perangkat memanipulasi tensor pada chip akselerator.
L
Layers API (tf.layers)
TensorFlow API untuk membangun jaringan neural dalam sebagai komposisi lapisan. Layers API memungkinkan Anda membuat berbagai jenis lapisan, seperti:
tf.layers.Denseuntuk lapisan terhubung sepenuhnya.tf.layers.Conv2Duntuk lapisan konvolusional.
Layers API mengikuti konvensi API lapisan Keras. Artinya, selain awalan yang berbeda, semua fungsi dalam Layers API memiliki nama dan tanda tangan yang sama dengan pasangannya di Keras Layer API.
S
mesh
Dalam pemrograman paralel ML, istilah yang terkait dengan penetapan data dan model ke chip TPU, serta menentukan cara sharding atau replikasi nilai ini.
Mesh adalah istilah yang kelebihan beban yang dapat berarti salah satu dari hal berikut:
- Tata letak fisik chip TPU.
- Konstruksi logis abstrak untuk memetakan data dan model ke chip TPU.
Dalam kedua kasus tersebut, mesh ditentukan sebagai bentuk.
metrik
Statistik yang penting bagi Anda.
Tujuan adalah metrik yang dicoba dioptimalkan oleh sistem machine learning.
N
simpul (grafik TensorFlow)
Operasi dalam grafik TensorFlow.
O
operasi (op)
Di TensorFlow, prosedur apa pun yang membuat, memanipulasi, atau menghancurkan Tensor. Misalnya, perkalian matriks adalah operasi yang menggunakan dua Tensor sebagai input dan menghasilkan satu Tensor sebagai output.
P
Server Parameter (PS)
Pekerjaan yang melacak parameter model dalam setelan terdistribusi.
T
antrean
Operasi TensorFlow yang menerapkan struktur data antrean. Biasanya digunakan dalam I/O.
R
Rank (Tensor)
Jumlah dimensi dalam Tensor. Misalnya, skalar memiliki peringkat 0, vektor memiliki peringkat 1, dan matriks memiliki peringkat 2.
Harap bedakan dengan peringkat (ordinalitas).
direktori root
Direktori yang Anda tentukan untuk menghosting subdirektori dari checkpoint TensorFlow dan file peristiwa dari beberapa model.
S
SavedModel
Format yang direkomendasikan untuk menyimpan dan memulihkan model TensorFlow. SaveModel adalah format serialisasi yang dapat dipulihkan dengan bahasa netral, yang memungkinkan sistem dan alat dengan tingkat lebih tinggi untuk menghasilkan, menggunakan, dan mengubah model TensorFlow.
Untuk mengetahui detail selengkapnya, lihat bab Menyimpan dan Memulihkan di Panduan Pemrogram TensorFlow.
Hemat
Objek TensorFlow yang bertanggung jawab untuk menyimpan checkpoint model.
sharding
Pembagian logis dari set pelatihan atau model. Biasanya, beberapa proses membuat shard dengan membagi contoh atau parameter menjadi (biasanya) potongan-potongan yang berukuran sama. Setiap shard kemudian ditetapkan ke mesin yang berbeda.
Sharding model disebut paralelisme model; sharding data disebut paralelisme data.
ringkasan
Di TensorFlow, nilai atau kumpulan nilai yang dihitung pada langkah tertentu, biasanya digunakan untuk melacak metrik model selama pelatihan.
T
Tensor
Struktur data utama dalam program TensorFlow. Tensor adalah struktur data N dimensi (dengan N dapat menjadi sangat besar), paling sering berupa skalar, vektor, atau matriks. Elemen Tensor dapat menyimpan nilai bilangan bulat, floating point, atau string.
TensorBoard
Dasbor yang menampilkan ringkasan yang disimpan selama satu atau beberapa program TensorFlow dijalankan.
TensorFlow
Platform machine learning berskala besar dan terdistribusi. Istilah ini juga mengacu pada lapisan API dasar di stack TensorFlow, yang mendukung komputasi umum pada grafik aliran data.
Meskipun TensorFlow terutama digunakan untuk machine learning, Anda juga dapat menggunakan TensorFlow untuk tugas non-ML yang memerlukan komputasi numerik menggunakan grafik aliran data.
Playground TensorFlow
Program yang memvisualisasikan pengaruh hyperparameter yang berbeda terhadap pelatihan model (terutama jaringan neural). Buka http://playground.tensorflow.org untuk melakukan eksperimen dengan TensorFlow Playground.
TensorFlow Serving
Platform untuk men-deploy model terlatih dalam produksi.
Tensor Processing Unit (TPU)
Application-specific integrated circuit (ASIC) yang mengoptimalkan performa workload machine learning. ASIC ini di-deploy sebagai beberapa chip TPU pada perangkat TPU.
Peringkat tensor
Lihat peringkat (Tensor).
bentuk tensor
Jumlah elemen yang dimiliki Tensor dalam berbagai dimensi.
Misalnya, Tensor [5, 10] memiliki bentuk 5 dalam satu dimensi dan 10
dalam dimensi lainnya.
Ukuran tensor
Jumlah total skalar yang dimiliki Tensor. Misalnya, Tensor [5, 10] memiliki ukuran 50.
tf.Example
Buffering protokol standar yang digunakan untuk mendeskripsikan data input untuk pelatihan atau inferensi model machine learning.
tf.keras
Implementasi Keras yang terintegrasi ke dalam TensorFlow.
TPU
Singkatan dari Tensor Processing Unit.
chip TPU
Akselerator aljabar linear yang dapat diprogram dengan memori bandwidth tinggi pada chip yang dioptimalkan untuk workload machine learning. Beberapa chip TPU di-deploy di perangkat TPU.
Perangkat TPU
Papan sirkuit cetak (PCB) dengan beberapa chip TPU, antarmuka jaringan bandwidth tinggi, dan hardware pendingin sistem.
Master TPU
Proses koordinasi terpusat yang berjalan di mesin host yang mengirim dan menerima data, hasil, program, performa, dan informasi kesehatan sistem kepada pekerja TPU. Master TPU juga mengelola penyiapan dan penonaktifan perangkat TPU.
Node TPU
Resource TPU di Google Cloud dengan jenis TPU tertentu. TPU node terhubung ke Jaringan VPC Anda dari jaringan VPC peer. Node TPU adalah resource yang ditentukan dalam Cloud TPU API.
Pod TPU
Konfigurasi spesifik perangkat TPU di pusat data Google. Semua perangkat dalam Pod TPU terhubung satu sama lain melalui jaringan khusus berkecepatan tinggi. Pod TPU adalah konfigurasi perangkat TPU terbesar yang tersedia untuk versi TPU tertentu.
resource TPU
Entitas TPU di Google Cloud yang Anda buat, kelola, atau gunakan. Misalnya, node TPU dan jenis TPU adalah resource TPU.
Slice TPU
Slice TPU adalah bagian pecahan dari perangkat TPU dalam Pod TPU. Semua perangkat dalam slice TPU terhubung satu sama lain melalui jaringan khusus berkecepatan tinggi.
Jenis TPU
Konfigurasi satu atau beberapa perangkat TPU dengan
versi hardware TPU tertentu. Anda memilih jenis TPU saat membuat
node TPU di Google Cloud. Misalnya, jenis TPU v2-8
adalah perangkat TPU v2 tunggal dengan 8 core. Jenis TPU v3-2048 memiliki 256
perangkat TPU v3 berjaringan dan total 2.048 core. Jenis TPU adalah resource yang ditentukan di Cloud TPU API.
pekerja TPU
Proses yang berjalan pada mesin host dan menjalankan program machine learning di perangkat TPU.