机器学习术语表:TensorFlow

本页面包含 TensorFlow 术语表。如需了解所有术语表,请点击此处

C

Cloud TPU

#TensorFlow
#GoogleCloud

专门用于加速 Google Cloud Platform 上的机器学习工作负载的专用硬件加速器。

D

数据集 API (tf.data)

#TensorFlow

一种高级 TensorFlow API,用于读取数据并将其转换为机器学习算法所需的形式。tf.data.Dataset 对象表示一系列元素,其中每个元素包含一个或多个张量tf.data.Iterator 对象提供对 Dataset 元素的访问权限。

如需详细了解 Dataset API,请参阅 TensorFlow 编程人员指南中的 tf.data:构建 TensorFlow 输入流水线

设备

#TensorFlow

一类可运行 TensorFlow 会话的硬件,包括 CPU、GPU 和 TPU

E

即刻执行

#TensorFlow

一种 TensorFlow 编程环境,其中操作会立即运行。相比之下,在图执行中调用的操作在得到明确评估之前不会运行。即刻执行是一种命令式接口,就像大多数编程语言中的代码一样。与图表执行程序相比,即时执行程序通常更易于调试。

Estimator

#TensorFlow

一个已弃用的 TensorFlow API。使用 tf.keras 而不是 Estimator。

F

功能规范

#TensorFlow

描述从 tf.Example 协议缓冲区中提取 features 数据所需的信息。由于 tf.Example 协议缓冲区只是数据的容器,因此您必须指定以下各项:

  • 要提取的数据(即特征的键)
  • 数据类型(例如 float 或 int)
  • 长度(固定或可变)

绿

图表

#TensorFlow

TensorFlow 中的计算规范。图中的节点表示操作。边缘具有方向,表示将某项操作的结果(一个张量)作为一个操作数传递给另一项操作。使用 TensorBoard 直观呈现图。

图表执行

#TensorFlow

一种 TensorFlow 编程环境,在该环境中,程序首先构建,然后执行该图的所有部分或部分。图执行是 TensorFlow 1.x 中的默认执行模式。

即刻执行相对。

Layers API (tf.layers)

#TensorFlow

一种 TensorFlow API,用于将深度神经网络构建为层组合。通过 Layers API,您可以构建不同类型的,例如:

  • tf.layers.Dense(适用于全连接层)。
  • tf.layers.Conv2D(适用于卷积层)。

Layers API 遵循 Keras 层 API 惯例。 也就是说,除了前缀不同之外,Layers API 中的所有函数都与 KerasLayers API 中的对应函数具有相同的名称和签名。

M

指标

#TensorFlow

您关注的数字。不一定会直接在机器学习系统中进行优化。您的系统尝试优化的指标称为目标

节点(TensorFlow 图)

#TensorFlow

TensorFlow 中的操作。

O

操作(操作)

#TensorFlow

TensorFlow 图中的节点。在 TensorFlow 中,创建、操纵或销毁 Tensor 的任何过程都属于操作。例如,矩阵乘法是指将两个张量作为输入,并生成一个张量作为输出的操作。

P

参数服务器 (PS)

#TensorFlow

一种作业,负责在分布式设置中跟踪模型的参数

队列

#TensorFlow

一种实现队列数据结构的 TensorFlow Operation。通常用于 I/O。

R

排名 (Tensor)

#TensorFlow

Tensor 中的维度数。例如,标量的排名为 0,向量的排名为 1,矩阵的排名为 2。

请勿与排名(序数)混淆。

根目录

#TensorFlow

您指定的目录,用于托管多个模型的 TensorFlow 检查点和事件文件的子目录。

S

SavedModel

#TensorFlow

用于保存和恢复 TensorFlow 模型的推荐格式。SavedModel 是一种与语言无关的可恢复序列化格式,使较高级别的系统和工具可以生成、使用和转换 TensorFlow 模型。

如需了解完整详情,请参阅《TensorFlow 编程人员指南》中的保存和恢复一章。

实惠

#TensorFlow

一个 TensorFlow 对象,负责保存模型检查点。

摘要

#TensorFlow

在 TensorFlow 中,在特定步骤中计算的一个或一组值,通常用于在训练期间跟踪模型指标。

T

张量

#TensorFlow

TensorFlow 程序中的主要数据结构。张量是 N 维(其中 N 可能是非常大)的数据结构,最常见的是标量、向量或矩阵。Tensor 的元素可以存储整数值、浮点值或字符串值。

TensorBoard

#TensorFlow

此信息中心显示了在执行一个或多个 TensorFlow 程序期间保存的摘要。

TensorFlow

#TensorFlow

一个大型分布式机器学习平台。该术语还指 TensorFlow 堆栈中的基本 API 层,该层支持对数据流图进行常规计算。

虽然 TensorFlow 主要用于机器学习,但您也可以为需要使用数据流图进行数值计算的非机器学习任务使用 TensorFlow。

TensorFlow 园地

#TensorFlow

一个程序,用于直观呈现不同的超参数对模型(主要是神经网络)训练的影响。请转到 http://playground.tensorflow.org 试用 TensorFlow Playground。

TensorFlow Serving

#TensorFlow

一个平台,用于在生产环境中部署经过训练的模型。

张量处理单元 (TPU)

#TensorFlow
#GoogleCloud

应用优化集成电路 (ASIC),用于优化机器学习工作负载的性能。这些 ASIC 部署为 TPU 设备上的多个 TPU 芯片

张量排名

#TensorFlow

请参阅排名(张量)

张量形状

#TensorFlow

Tensor 在各种维度中包含的元素数。例如,一个 [5, 10] 张量有一个维度为 5,另一个维度为 10。

张量大小

#TensorFlow

Tensor 包含的标量总数。例如,一个 [5, 10] 张量的大小为 50。

tf.Example

#TensorFlow

一种标准协议缓冲区,用于描述机器学习模型训练或推断的输入数据。

tf.keras

#TensorFlow

集成到 TensorFlow 中的 Keras 实现。

TPU

#TensorFlow
#GoogleCloud

张量处理单元

TPU 芯片

#TensorFlow
#GoogleCloud

一种可编程的线性代数加速器,具有针对机器学习工作负载进行了优化的片上高带宽内存。 一个 TPU 设备上部署了多个 TPU 芯片。

TPU 设备

#TensorFlow
#GoogleCloud

采用多种 TPU 芯片、高带宽网络接口和系统冷却硬件的印刷电路板 (PCB)。

TPU 主实例

#TensorFlow
#GoogleCloud

在主机上运行的中央协调进程,用于向 TPU 工作器发送和接收数据、结果、程序、性能和系统运行状况信息。TPU 主实例还会管理 TPU 设备的设置和关停。

TPU 节点

#TensorFlow
#GoogleCloud

Google Cloud Platform 上具有特定 TPU 类型的 TPU 资源。TPU 节点从对等 VPC 网络连接到您的 VPC 网络。TPU 节点是在 Cloud TPU API 中定义的资源。

TPU Pod

#TensorFlow
#GoogleCloud

Google 数据中心内 TPU 设备的特定配置。TPU pod 中的所有设备均通过专用高速网络相互连接。TPU Pod 是适用于特定 TPU 版本的最大 TPU 设备配置。

TPU 资源

#TensorFlow
#GoogleCloud

您创建、管理或使用 Google Cloud Platform 上的 TPU 实体。例如,TPU 节点TPU 类型就是 TPU 资源。

TPU 切片

#TensorFlow
#GoogleCloud

TPU 切片是 TPU TPUTPU 设备的一小部分。TPU 切片中的所有设备均通过专用高速网络相互连接。

TPU 类型

#TensorFlow
#GoogleCloud

具有特定 TPU 硬件版本的一个或多个 TPU 设备的配置。在 Google Cloud Platform 上创建 TPU 节点时,请选择 TPU 类型。例如,v2-8 TPU 类型是具有 8 个核心的单个 TPU v2 设备。一个 v3-2048 TPU 类型具有 256 个联网 TPU v3 设备,共计 2048 个核心。TPU 类型是在 Cloud TPU API 中定义的资源。

TPU 工作器

#TensorFlow
#GoogleCloud

在主机上运行并在 TPU 设备上执行机器学习程序的过程。