Halaman ini berisi istilah glosarium TensorFlow. Untuk semua istilah glosarium, klik di sini.
C
Cloud TPU
Akselerator hardware khusus yang didesain untuk mempercepat beban kerja machine learning di Google Cloud Platform.
D
API Set Data (tf.data)
TensorFlow API tingkat tinggi untuk membaca data dan mengubahnya menjadi bentuk yang diperlukan algoritme machine learning.
Objek tf.data.Dataset mewakili urutan elemen, yang
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: Membuat pipeline input TensorFlow di Panduan Programmer TensorFlow.
device
Kategori hardware yang dapat menjalankan sesi TensorFlow, termasuk CPU, GPU, dan TPU.
E
eksekusi segera
Lingkungan pemrograman TensorFlow tempat operasi segera dijalankan. Sebaliknya, operasi yang dipanggil dalam eksekusi grafik tidak berjalan hingga dievaluasi secara eksplisit. Eksekusi cepat adalah antarmuka imperatif, seperti kode dalam sebagian besar bahasa pemrograman. Program eksekusi yang cepat umumnya lebih mudah di-debug daripada program eksekusi grafik.
Evaluasi
TensorFlow API yang tidak digunakan lagi. Gunakan tf.keras, bukan Validator.
F
rekayasa fitur
Proses yang melibatkan langkah-langkah berikut:
- Menentukan fitur yang mungkin berguna dalam melatih model.
- Mengonversi data mentah dari set data menjadi versi fitur tersebut yang efisien.
Misalnya, Anda dapat menentukan bahwa temperature mungkin merupakan fitur
yang berguna. Kemudian, Anda dapat bereksperimen dengan bucketing untuk mengoptimalkan hal yang dapat dipelajari model dari rentang temperature yang berbeda.
Rekayasa fitur terkadang disebut ekstraksi fitur.
spesifikasi fitur
Menjelaskan informasi yang diperlukan untuk mengekstrak data fitur dari buffering protokol tf.Example. Karena buffering protokol tf.Example hanyalah penampung 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 menunjukkan 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 digunakan program untuk membuat grafik terlebih dahulu, lalu mengeksekusi semua atau sebagian grafik tersebut. Eksekusi grafik adalah mode eksekusi default di TensorFlow 1.x.
Berbeda dengan eksekusi segera.
L
Layers API (tf.lapisans)
TensorFlow API untuk membuat jaringan neural deep sebagai komposisi lapisan. Layers API memungkinkan Anda membuat berbagai jenis lapisan, seperti:
tf.layers.Denseuntuk lapisan yang terhubung sepenuhnya.tf.layers.Conv2Duntuk lapisan konvolusional.
Layers API mengikuti konvensi API Keras Layer. Artinya, selain dari awalan yang berbeda, semua fungsi di Layers API memiliki nama dan tanda tangan yang sama dengan pasangannya di Keras Layers API.
M
metrik
Statistik yang penting bagi Anda.
Tujuan adalah metrik yang dapat dioptimalkan oleh sistem machine learning.
T
node (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 masukan dan menghasilkan satu Tensor sebagai keluaran.
P
Server Parameter (PS)
Pekerjaan yang melacak parameter model di setelan terdistribusi.
T
antrean
Operasi TensorFlow yang menerapkan struktur data antrean. Biasanya digunakan di I/O.
R
peringkat (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 utama
Direktori yang Anda tentukan untuk menghosting subdirektori 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 tingkat yang lebih tinggi untuk menghasilkan, memakai, dan mengubah model TensorFlow.
Lihat Bab Menyimpan dan Memulihkan di Panduan Pemrogram TensorFlow untuk detail selengkapnya.
Hemat
Objek TensorFlow yang bertanggung jawab untuk menyimpan checkpoint model.
ringkasan
Di TensorFlow, nilai atau serangkaian nilai yang dihitung pada langkah tertentu, biasanya digunakan untuk melacak metrik model selama pelatihan.
T
Tensor (Tensor)
Struktur data utama dalam program TensorFlow. Tensor adalah struktur data dimensi N (dengan N dapat berukuran sangat besar), yang paling sering berupa skalar, vektor, atau matriks. Elemen Tensor dapat menampung nilai integer, floating point, atau string.
TensorBoard
Dasbor yang menampilkan ringkasan yang disimpan selama eksekusi satu atau beberapa program TensorFlow.
TensorFlow
Platform machine learning berskala besar dan terdistribusi. Istilah ini juga mengacu 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 aliran data.
Playground TensorFlow
Program yang memvisualisasikan bagaimana hyperparameter yang berbeda memengaruhi pelatihan model (terutama jaringan neural). Buka http://playground.tensorflow.org untuk melakukan eksperimen dengan TensorFlow Playground.
Penayangan TensorFlow
Platform untuk men-deploy model terlatih dalam produksi.
Unit Pemrosesan Tensor (TPU)
Sirkuit terintegrasi khusus aplikasi (ASIC) yang mengoptimalkan performa beban kerja machine learning. ASIC ini di-deploy sebagai beberapa chip TPU pada perangkat TPU.
Peringkat Tensor
Lihat peringkat (Tensor).
Bentuk tensor
Jumlah elemen yang dimiliki oleh Tensor dalam berbagai dimensi. Misalnya, Tensor [5, 10] memiliki bentuk 5 dalam satu dimensi dan 10 bentuk dalam dimensi lain.
Ukuran tensor
Jumlah total skalar yang dimiliki oleh Tensor. Misalnya, Tensor [5, 10] memiliki ukuran 50.
tf.Contoh
Buffering protokol standar yang digunakan untuk mendeskripsikan data input untuk pelatihan atau inferensi model machine learning.
tf.keras
Implementasi Keras yang terintegrasi ke TensorFlow.
TPU
Singkatan dari Tensor Processing Unit.
Chip TPU
Akselerator aljabar linear yang dapat diprogram dengan memori bandwidth tinggi pada chip yang dioptimalkan untuk beban kerja machine learning. Beberapa chip TPU di-deploy di perangkat TPU.
Perangkat TPU
Printed board (PCB) dengan beberapa chip TPU, antarmuka jaringan bandwidth tinggi, dan hardware pendingin sistem.
Master TPU
Proses koordinasi pusat yang berjalan di mesin host yang mengirim dan menerima data, hasil, program, performa, dan informasi kesehatan sistem ke pekerja TPU. Master TPU juga mengelola penyiapan dan penonaktifan perangkat TPU.
Node TPU
Resource TPU di Google Cloud Platform dengan jenis TPU tertentu. Node TPU terhubung ke Jaringan VPC Anda dari jaringan VPC pembanding. Node TPU adalah resource yang ditentukan di Cloud TPU API.
Pod TPU
Konfigurasi khusus perangkat TPU di pusat data Google. Semua perangkat dalam pod TPU terhubung satu sama lain melalui jaringan berkecepatan tinggi khusus. Pod TPU adalah konfigurasi terbesar dari perangkat TPU yang tersedia untuk versi TPU tertentu.
Resource TPU
Entitas TPU di Google Cloud Platform yang Anda buat, kelola, atau gunakan. Misalnya, node TPU dan jenis TPU adalah resource TPU.
Potongan TPU
Slice TPU adalah bagian kecil dari perangkat TPU di TPU Pod. Semua perangkat dalam potongan TPU terhubung satu sama lain melalui jaringan berkecepatan tinggi khusus.
Jenis TPU
Konfigurasi satu atau beberapa perangkat TPU dengan versi hardware
TPU tertentu. Anda memilih jenis TPU saat membuat node TPU di Google Cloud Platform. Misalnya, jenis TPU v2-8
adalah perangkat TPU v2 tunggal dengan 8 inti. Jenis TPU v3-2048 memiliki 256
jaringan TPU v3 jaringan dan total 2048 core. Jenis TPU adalah resource yang ditetapkan dalam Cloud TPU API.
Pekerja TPU
Proses yang berjalan di mesin host dan menjalankan program machine learning di perangkat TPU.