Esta página contém termos do glossário do TensorFlow. Para conferir todos os termos do glossário, clique aqui.
C
Cloud TPU
Um acelerador de hardware especializado projetado para acelerar cargas de trabalho de machine learning no Google Cloud.
D
API Dataset (tf.data)
Uma API TensorFlow de alto nível para ler dados e
transformá-los em um formato exigido por um algoritmo de machine learning.
Um objeto tf.data.Dataset representa uma sequência de elementos, em que
cada elemento contém um ou mais tensores. Um objeto tf.data.Iterator fornece acesso aos elementos de um Dataset.
dispositivo
Um termo sobrecarregado com as duas definições possíveis a seguir:
- Uma categoria de hardware que pode executar uma sessão do TensorFlow, incluindo CPUs, GPUs e TPUs.
- Ao treinar um modelo de ML em chips aceleradores (GPUs ou TPUs), a parte do sistema que manipula tensores e incorporações. O dispositivo funciona com chips aceleradores. Por outro lado, o host normalmente é executado em uma CPU.
E
execução rápida
Um ambiente de programação do TensorFlow em que as operações são executadas imediatamente. Por outro lado, as operações chamadas na execução de gráficos não são executadas até serem avaliadas explicitamente. A execução imediata é uma interface imperativa, muito parecida com o código na maioria das linguagens de programação. Em geral, é muito mais fácil depurar programas de execução rápida do que programas de execução de gráficos.
Estimator
Uma API TensorFlow descontinuada. Use tf.keras em vez de Estimators.
F
engenharia de atributos
Um processo que envolve as seguintes etapas:
- Determinar quais recursos podem ser úteis no treinamento de um modelo.
- Converter dados brutos do conjunto de dados em versões eficientes desses atributos.
Por exemplo, você pode determinar que temperature é um recurso útil. Depois, teste o agrupamento em intervalos para otimizar o que o modelo pode aprender com diferentes intervalos de temperature.
A engenharia de atributos às vezes é chamada de extração de atributos ou criação de atributos.
Consulte Dados numéricos: como um modelo ingere dados usando vetores de recursos no Curso intensivo de machine learning para mais informações.
especificação de atributos
Descreve as informações necessárias para extrair dados de recursos do buffer de protocolo tf.Example. Como o buffer de protocolo tf.Example é apenas um contêiner de dados, é necessário especificar o seguinte:
- Os dados a serem extraídos (ou seja, as chaves dos recursos)
- O tipo de dados (por exemplo, ponto flutuante ou inteiro)
- A duração (fixa ou variável)
G
gráfico
No TensorFlow, uma especificação de computação. Os nós no gráfico representam operações. As arestas são direcionadas e representam a transmissão do resultado de uma operação (um Tensor) como um operando para outra operação. Use o TensorBoard para visualizar um gráfico.
execução de grafo
Um ambiente de programação do TensorFlow em que o programa primeiro cria um gráfico e depois executa todo ou parte dele. A execução de grafo é o modo de execução padrão no TensorFlow 1.x.
Contraste com a execução imediata.
H
host
Ao treinar um modelo de ML em chips aceleradores (GPUs ou TPUs), a parte do sistema que controla o seguinte:
- O fluxo geral do código.
- A extração e transformação do pipeline de entrada.
O host geralmente é executado em uma CPU, não em um chip acelerador. O dispositivo manipula tensores nos chips aceleradores.
L
API Layers (tf.layers)
Uma API do TensorFlow para criar uma rede neural profunda como uma composição de camadas. Com a API Layers, é possível criar diferentes tipos de camadas, como:
tf.layers.Densepara uma camada totalmente conectada.tf.layers.Conv2Dpara uma camada convolucional.
A API Layers segue as convenções da API Keras (link em inglês). Ou seja, além de um prefixo diferente, todas as funções na API Layers têm os mesmos nomes e assinaturas que as equivalentes na API Keras Layers.
M
malha
Na programação paralela de ML, um termo associado à atribuição dos dados e do modelo aos chips de TPU e à definição de como esses valores serão fragmentados ou replicados.
Mesh é um termo sobrecarregado que pode significar qualquer uma das seguintes opções:
- Um layout físico dos chips de TPU.
- Uma construção lógica abstrata para mapear os dados e o modelo para os chips de TPU.
Em qualquer caso, uma malha é especificada como uma forma.
métrica
Uma estatística importante para você.
Um objetivo é uma métrica que um sistema de machine learning tenta otimizar.
N
nó (grafo do TensorFlow)
Uma operação em um grafo do TensorFlow.
O
operação (op)
No TensorFlow, qualquer procedimento que crie, manipule ou destrua um Tensor. Por exemplo, uma multiplicação de matrizes é uma operação que usa dois tensores como entrada e gera um tensor como saída.
P
Servidor de parâmetros (PS)
Um job que acompanha os parâmetros de um modelo em um ambiente distribuído.
P
fila
Uma operação do TensorFlow que implementa uma estrutura de dados de fila. Normalmente usado em E/S.
R
rank (Tensor)
O número de dimensões em um Tensor. Por exemplo, um escalar tem classificação 0, um vetor tem classificação 1 e uma matriz tem classificação 2.
Não confunda com classificação (ordinalidade).
diretório raiz
O diretório especificado para hospedar subdiretórios do ponto de verificação do TensorFlow e arquivos de eventos de vários modelos.
S
SavedModel
O formato recomendado para salvar e recuperar modelos do TensorFlow. O SavedModel é um formato de serialização recuperável e independente de linguagem que permite que sistemas e ferramentas de nível superior produzam, consumam e transformem modelos do TensorFlow.
Consulte a seção Salvar e restaurar do Guia do programador do TensorFlow para mais detalhes.
Econômico
Um objeto do TensorFlow responsável por salvar pontos de verificação do modelo.
fragmento
Uma divisão lógica do conjunto de treinamento ou do modelo. Normalmente, algum processo cria fragmentos dividindo os exemplos ou parâmetros em partes (geralmente) de tamanho igual. Cada fragmento é atribuído a uma máquina diferente.
A fragmentação de um modelo é chamada de paralelismo de modelos. Já a fragmentação de dados é chamada de paralelismo de dados.
resumo
No TensorFlow, um valor ou conjunto de valores calculado em uma determinada etapa, geralmente usado para rastrear métricas do modelo durante o treinamento.
T
Rank 4
A principal estrutura de dados em programas do TensorFlow. Os tensores são estruturas de dados N-dimensionais (em que N pode ser muito grande), mais comumente escalares, vetores ou matrizes. Os elementos de um tensor podem conter valores inteiros, de ponto flutuante ou de string.
TensorBoard
O painel que mostra os resumos salvos durante a execução de um ou mais programas do TensorFlow.
TensorFlow
Uma plataforma de machine learning distribuída e em grande escala. O termo também se refere à camada de API básica na pilha do TensorFlow, que oferece suporte à computação geral em gráficos de fluxo de dados.
Embora o TensorFlow seja usado principalmente para machine learning, também é possível usá-lo para tarefas que não são de ML e exigem computação numérica usando grafos de fluxo de dados.
TensorFlow Playground
Um programa que mostra como diferentes hiperparâmetros influenciam o treinamento do modelo (principalmente de rede neural). Acesse http://playground.tensorflow.org para testar o TensorFlow Playground.
TensorFlow Serving
Uma plataforma para implantar modelos treinados em produção.
Unidade de Processamento de Tensor (TPU)
Um circuito integrado de aplicação específica (ASIC) que otimiza o desempenho das cargas de trabalho de machine learning. Esses ASICs são implantados como vários chips de TPU em um dispositivo de TPU.
Cardinalidade do Tensor
Consulte rank (Tensor).
Dimensões do tensor
O número de elementos que um Tensor contém em várias dimensões.
Por exemplo, um tensor [5, 10] tem uma forma de 5 em uma dimensão e 10 em outra.
Tamanho do tensor
O número total de escalares que um Tensor contém. Por exemplo, um tensor [5, 10] tem um tamanho de 50.
tf.Example
Um buffer de protocolo padrão para descrever dados de entrada para treinamento ou inferência de modelos de machine learning.
tf.keras
Uma implementação do Keras integrado ao TensorFlow.
TPU
Abreviação de Unidade de Processamento de Tensor.
Chip de TPU
Um acelerador de álgebra linear programável com memória de alta largura de banda no chip otimizado para cargas de trabalho de machine learning. Vários chips de TPU são implantados em um dispositivo de TPU.
Dispositivo TPU
Uma placa de circuito impresso (PCB) com vários chips de TPU, interfaces de rede de alta largura de banda e hardware de resfriamento do sistema.
Nó da TPU
Um recurso de TPU no Google Cloud com um tipo de TPU específico. O nó de TPU se conecta à sua rede VPC de uma rede VPC de peering. Os nós da TPU são um recurso definido na API Cloud TPU.
Pod de TPU
Uma configuração específica de dispositivos de TPU em um data center do Google. Todos os dispositivos em um Pod de TPU são conectados entre si por uma rede dedicada de alta velocidade. Um Pod de TPU é a maior configuração de dispositivos de TPU disponível para uma versão específica de TPU.
Recurso da TPU
Uma entidade de TPU no Google Cloud que você cria, gerencia ou consome. Por exemplo, nós de TPU e tipos de TPU são recursos de TPU.
Fração de TPU
Uma fração da TPU é uma parte fracionária dos dispositivos de TPU em um pod de TPU. Todos os dispositivos em uma fração de TPU são conectados uns aos outros por uma rede dedicada de alta velocidade.
Tipo de TPU
Uma configuração de um ou mais dispositivos de TPU com uma versão específica de hardware de TPU. Você seleciona um tipo de TPU ao criar
um nó de TPU no Google Cloud. Por exemplo, um tipo de TPU v2-8 é um único dispositivo TPU v2 com 8 núcleos. Um tipo de TPU v3-2048 tem 256 dispositivos de TPU v3 em rede e um total de 2.048 núcleos. Os tipos de TPU são um recurso
definido na
API Cloud TPU.
worker da TPU
Um processo executado em uma máquina host e que executa programas de aprendizado de máquina em dispositivos TPU.