Halaman ini berisi istilah glosarium TensorFlow. Untuk semua istilah glosarium, klik di sini.
C
Cloud TPU
Akselerator hardware khusus yang dirancang untuk mempercepat workload machine learning di Google Cloud.
D
Dataset API (tf.data)
API TensorFlow tingkat tinggi untuk membaca data dan
mengubahnya menjadi bentuk yang diperlukan algoritma machine learning.
Objek tf.data.Dataset merepresentasikan urutan elemen, yang mana
setiap elemen berisi satu atau beberapa Tensor. Objek tf.data.Iterator
memberikan akses ke elemen Dataset.
perangkat
Istilah yang memiliki lebih dari satu definisi dengan dua kemungkinan definisi berikut:
- Kategori hardware yang dapat menjalankan sesi TensorFlow, yang meliputi CPU, GPU, dan TPU.
- Saat melatih model ML di chip akselerator (GPU atau TPU), bagian sistem yang benar-benar memanipulasi tensor dan embedding. Perangkat berjalan di chip akselerator. Sebaliknya, host biasanya berjalan di CPU.
E
eksekusi segera
Lingkungan pemrograman TensorFlow yang mana operasi dijalankan secara langsung. Sebaliknya, operasi yang disebut dengan eksekusi grafik tidak akan dijalankan sampai dievaluasi secara eksplisit. Eksekusi segera adalah antarmuka imperatif, seperti kode dalam sebagian besar bahasa pemrograman. Program eksekusi segera umumnya jauh lebih mudah untuk dilakukan debug daripada program eksekusi grafik.
Estimator
TensorFlow API yang tidak digunakan lagi. Gunakan tf.keras, bukan Estimator.
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 fitur yang efisien.
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.
Lihat Data numerik: Cara model menyerap data menggunakan vektor fitur di Kursus Singkat Machine Learning untuk mengetahui informasi selengkapnya.
spesifikasi fitur
Menjelaskan informasi yang diperlukan untuk mengekstrak data fitur dari buffer protokol tf.Example. Karena buffer protokol tf.Example hanyalah penampung data, Anda harus menentukan hal berikut:
- Data yang akan diekstrak (yaitu, kunci untuk fitur)
- Jenis data (misalnya, float atau int)
- Panjang (tetap atau variabel)
G
grafik
Di TensorFlow, spesifikasi komputasi. Node dalam grafik merepresentasikan operasi. Edge diarahkan dan merepresentasikan penerusan hasil operasi (Tensor) sebagai operand ke operasi lain. Gunakan TensorBoard untuk memvisualisasikan grafik.
eksekusi grafik
Lingkungan pemrograman TensorFlow yang mana program mengonstruksi grafik terlebih dahulu, kemudian mengeksekusi 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 di chip akselerator (GPU atau TPU), bagian sistem yang mengontrol keduanya:
- Alur keseluruhan kode.
- Ekstraksi dan transformasi pipeline input.
Host biasanya berjalan di CPU, bukan di chip akselerator; perangkat memanipulasi tensor di chip akselerator.
L
Layers API (tf.layers)
TensorFlow API untuk mengonstruksi jaringan neural dalam sebagai komposisi lapisan. Layers API memungkinkan Anda membuat berbagai jenis lapisan, seperti:
tf.layers.Denseuntuk lapisan terhubung seluruhnya.tf.layers.Conv2Duntuk lapisan konvolusional.
Layers API mengikuti konvensi Keras layers API. Artinya, selain awalan yang berbeda, semua fungsi di Layers API memiliki nama dan tanda tangan yang sama dengan fungsi yang setara di Keras Layers API.
B
mesh
Dalam pemrograman paralel ML, istilah yang terkait dengan penetapan data dan model ke chip TPU, serta menentukan cara nilai ini akan di-shard atau direplikasi.
Mesh adalah istilah yang memiliki lebih dari satu makna yang dapat berarti salah satu dari berikut:
- Tata letak fisik chip TPU.
- Konstruksi logis abstrak untuk memetakan data dan model ke chip TPU.
Dalam kedua kasus tersebut, jaring ditentukan sebagai bentuk.
metrik
Statistik yang Anda minati.
Tujuan adalah metrik yang coba dioptimalkan oleh sistem machine learning.
T
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 mengambil 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
urutan (Tensor)
Jumlah dimensi dalam Tensor. Misalnya, skalar memiliki peringkat 0, vektor memiliki peringkat 1, dan matriks memiliki peringkat 2.
Harap bedakan dengan urutan (ordinalitas).
direktori root
Direktori yang Anda tentukan untuk menghosting subdirektori file peristiwa dan checkpoint TensorFlow dari beberapa model.
S
SavedModel
Format yang direkomendasikan untuk menyimpan dan memulihkan model TensorFlow. SavedModel adalah format serialisasi yang dapat dipulihkan dengan bahasa netral, yang memungkinkan sistem dan fitur berlevel tinggi untuk memproduksi, mengonsumsi, dan mengubah model TensorFlow.
Lihat bagian Menyimpan dan Memulihkan di Panduan Pemrogram TensorFlow untuk mengetahui detail selengkapnya.
Hemat
Objek TensorFlow yang bertanggung jawab untuk menyimpan checkpoint model.
shard
Pembagian logis set pelatihan atau model. Biasanya, beberapa proses membuat shard dengan membagi contoh atau parameter menjadi beberapa bagian (biasanya) berukuran sama. Setiap bagian kemudian ditetapkan ke mesin yang berbeda.
Memecah model disebut paralelisme model; memecah data disebut paralelisme data.
ringkasan
Di TensorFlow, nilai atau set 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 bisa sangat besar), yang paling umum adalah skalar, vektor, atau matriks. Elemen Tensor dapat menyimpan nilai bilangan bulat, floating point, atau string.
TensorBoard
Dasbor yang menampilkan ringkasan yang disimpan selama eksekusi satu atau beberapa program TensorFlow.
TensorFlow
Platform machine learning terdistribusi berskala besar. Istilah ini juga merujuk pada lapisan API dasar dalam 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 alur data.
TensorFlow Playground
Program yang memvisualisasikan pengaruh hyperparameter yang berbeda terhadap pelatihan (terutama jaringan neural) model. 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)
Sirkuit terintegrasi khusus aplikasi (ASIC) yang mengoptimalkan performa beban kerja machine learning. ASIC ini di-deploy sebagai beberapa chip TPU di perangkat TPU.
Urutan tensor
Lihat urutan (Tensor).
Bentuk tensor
Jumlah elemen yang dimiliki oleh 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 oleh Tensor. Misalnya, Tensor
[5, 10] memiliki ukuran 50.
tf.Example
Buffer protokol standar yang digunakan untuk mendeskripsikan data masukan 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 on-chip yang dioptimalkan untuk beban kerja 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.
Node TPU
Resource TPU di Google Cloud dengan jenis TPU tertentu. Node TPU 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 terbesar dari perangkat TPU 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 sebagian kecil 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 yang terhubung ke jaringan dan total 2048 core. Jenis TPU adalah resource yang ditentukan di Cloud TPU API.
TPU worker
Proses yang berjalan di mesin host dan menjalankan program machine learning di perangkat TPU.