Эта страница содержит термины глоссария TensorFlow. Чтобы ознакомиться со всеми терминами глоссария, нажмите здесь .
С
Облачный ТПУ
Специализированный аппаратный ускоритель, предназначенный для ускорения рабочих нагрузок машинного обучения в Google Cloud.
Д
API набора данных (tf.data)
Высокоуровневый API TensorFlow для чтения данных и преобразования их в форму, необходимую алгоритму машинного обучения. Объект tf.data.Dataset представляет собой последовательность элементов, каждый из которых содержит один или несколько тензоров . Объект tf.data.Iterator предоставляет доступ к элементам Dataset .
устройство
Перегруженный термин, имеющий следующие два возможных определения:
- Категория оборудования, на котором может запускаться сеанс TensorFlow, включая центральные процессоры, графические процессоры и TPU .
- При обучении модели машинного обучения на ускорителях (GPU или TPU) часть системы, которая фактически обрабатывает тензоры и вложения . Устройство работает на ускорителях. В отличие от этого, хост обычно работает на центральном процессоре.
Э
нетерпеливое исполнение
Среда программирования TensorFlow, в которой операции выполняются немедленно. В отличие от этого, операции, вызываемые в графовом исполнении, не выполняются до тех пор, пока не будут явно вычислены. Энергичное выполнение — это императивный интерфейс , во многом похожий на код в большинстве языков программирования. Программы с энергичным выполнением, как правило, гораздо проще отлаживать, чем программы с графовым выполнением.
Оценщик
Устаревший API TensorFlow. Используйте tf.keras вместо Estimators.
Ф
проектирование функций
Процесс, включающий следующие этапы:
- Определение того, какие признаки могут быть полезны при обучении модели.
- Преобразование необработанных данных из набора данных в эффективные версии этих функций.
Например, вы можете решить, что temperature может быть полезной характеристикой. Затем вы можете поэкспериментировать с группировкой , чтобы оптимизировать то, чему модель может научиться в разных temperature диапазонах.
Проектирование признаков иногда называют извлечением признаков или признаками .
Дополнительную информацию см. в разделе Числовые данные: как модель получает данные с использованием векторов признаков в ускоренном курсе по машинному обучению.
спецификация функции
Описывает информацию, необходимую для извлечения данных о признаках 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 признаков)
- Тип данных (например, float или int)
- Длина (фиксированная или переменная)
Г
график
В TensorFlow — спецификация вычислений. Узлы в графе представляют операции. Ребра направлены и представляют собой передачу результата операции ( тензора ) в качестве операнда другой операции. Используйте TensorBoard для визуализации графа.
выполнение графика
Среда программирования TensorFlow, в которой программа сначала строит граф , а затем выполняет его полностью или частично. Графическое выполнение — режим выполнения по умолчанию в TensorFlow 1.x.
Сравните с жадным исполнением .
ЧАС
хозяин
При обучении модели МО на ускорительных чипах (графических процессорах или TPU ) часть системы, которая контролирует оба следующих параметра:
- Общий поток кода.
- Извлечение и преобразование входного трубопровода.
Хост обычно работает на центральном процессоре, а не на чипе ускорителя; устройство манипулирует тензорами на чипах ускорителя.
Л
API слоев (tf.layers)
API TensorFlow для построения глубокой нейронной сети как композиции слоёв. API слоёв позволяет создавать различные типы слоёв , например:
-
tf.layers.Denseдля полносвязного слоя . -
tf.layers.Conv2Dдля сверточного слоя.
API слоёв следует соглашениям API слоёв Keras . То есть, за исключением префикса, все функции в API слоёв имеют те же имена и сигнатуры, что и их аналоги в API слоёв Keras.
М
сетка
В параллельном программировании ML термин, связанный с назначением данных и модели чипам TPU и определением того, как эти значения будут сегментироваться или реплицироваться.
Сетка — это перегруженный термин, который может означать одно из следующего:
- Физическая компоновка чипов TPU.
- Абстрактная логическая конструкция для отображения данных и модели на чипах TPU.
В любом случае сетка задается как форма .
метрика
Статистика, которая вас волнует.
Цель — это показатель, который система машинного обучения пытается оптимизировать.
Н
узел (граф TensorFlow)
Операция в графе TensorFlow.
О
операция (оп)
В TensorFlow любая процедура создаёт, обрабатывает или уничтожает тензор . Например, умножение матриц — это операция, которая принимает два тензора на входе и генерирует один тензор на выходе.
П
Сервер параметров (PS)
Задание, отслеживающее параметры модели в распределенной среде.
В
очередь
Операция TensorFlow, реализующая структуру данных очереди. Обычно используется в операциях ввода-вывода.
Р
ранг (тензор)
Число измерений в тензоре . Например, скаляр имеет ранг 0, вектор — ранг 1, а матрица — ранг 2.
Не путать с рангом (порядковостью) .
корневой каталог
Каталог, который вы указываете для размещения подкаталогов контрольных точек TensorFlow и файлов событий нескольких моделей.
С
SavedModel
Рекомендуемый формат для сохранения и восстановления моделей TensorFlow. SavedModel — это независимый от языка программирования, восстанавливаемый формат сериализации, который позволяет системам и инструментам более высокого уровня создавать, использовать и преобразовывать модели TensorFlow.
Полную информацию см. в разделе «Сохранение и восстановление» Руководства программиста TensorFlow.
Сохранитель
Объект TensorFlow , отвечающий за сохранение контрольных точек модели.
осколок
Логическое разделение обучающего набора или модели . Как правило, какой-либо процесс создаёт шарды, разделяя примеры или параметры на (обычно) равные по размеру фрагменты. Каждый шард затем назначается отдельной машине.
Разделение модели называется параллелизмом модели ; разделение данных называется параллелизмом данных .
краткое содержание
В TensorFlow значение или набор значений, вычисляемых на определенном этапе , обычно используемые для отслеживания показателей модели во время обучения.
Т
Тензор
Основная структура данных в программах TensorFlow. Тензоры — это N-мерные (где N может быть очень большим) структуры данных, чаще всего скаляры, векторы или матрицы. Элементы тензора могут содержать целые, плавающие или строковые значения.
TensorBoard
Панель управления, на которой отображаются сводки, сохраненные во время выполнения одной или нескольких программ TensorFlow.
TensorFlow
Крупномасштабная распределённая 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 первую очередь 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.
Игровая площадка TensorFlow
Программа, которая визуализирует влияние различных гиперпараметров на обучение модели (в первую очередь нейронной сети). Перейдите по ссылке http://playground.tensorflow.org , чтобы поэкспериментировать с TensorFlow Playground.
Обслуживание TensorFlow
Платформа для внедрения обученных моделей в производство.
Блок тензорной обработки (TPU)
Специализированная интегральная схема (ASIC), оптимизирующая производительность задач машинного обучения. Эти ASIC-схемы представляют собой несколько микросхем TPU на одном устройстве TPU .
Ранг тензора
См. ранг (Тензор) .
Форма тензора
Число элементов, содержащихся в тензоре в различных измерениях. Например, тензор [5, 10] имеет форму 5 в одном измерении и 10 в другом.
Размер тензора
Общее количество скаляров, содержащихся в тензоре . Например, тензор [5, 10] имеет размер 50.
tf.Example
Стандартный буфер протокола для описания входных данных для обучения или вывода модели машинного обучения.
tf.keras
Реализация Keras , интегрированная в TensorFlow .
ТПУ
Аббревиатура для тензорного процессора .
чип ТПУ
Программируемый ускоритель линейной алгебры со встроенной памятью с высокой пропускной способностью, оптимизированный для задач машинного обучения. На одном устройстве TPU размещено несколько микросхем TPU.
устройство ТПУ
Печатная плата (PCB) с несколькими чипами TPU , сетевыми интерфейсами с высокой пропускной способностью и охлаждающим оборудованием системы.
узел ТПУ
Ресурс TPU в Google Cloud с определённым типом TPU . Узел TPU подключается к вашей сети VPC из одноранговой сети VPC . Узлы TPU — это ресурс, определённый в API Cloud TPU .
TPU Pod
Конфигурация устройств TPU в центре обработки данных Google. Все устройства в модуле TPU соединены друг с другом через выделенную высокоскоростную сеть. Модуль TPU — это самая большая конфигурация устройств TPU, доступная для конкретной версии TPU.
Ресурс ТПУ
Сущность TPU в Google Cloud, которую вы создаёте, управляете или используете. Например, узлы TPU и типы TPU являются ресурсами TPU.
ломтик ТПУ
Слайс TPU — это часть устройств TPU в модуле TPU . Все устройства в слайсе TPU подключены друг к другу через выделенную высокоскоростную сеть.
Тип ТПУ
Конфигурация из одного или нескольких устройств TPU с определённой версией оборудования TPU. Тип TPU выбирается при создании узла TPU в Google Cloud. Например, тип TPU v2-8 — это одно устройство TPU v2 с 8 ядрами. Тип TPU v3-2048 включает 256 сетевых устройств TPU v3 и в общей сложности 2048 ядер. Типы TPU — это ресурс, определённый в API Cloud TPU .
работник ТПУ
Процесс, который выполняется на хост-машине и выполняет программы машинного обучения на устройствах TPU .