TensorFlow — открытая программная библиотека для машинного обучения , разработанная компанией Google для решения задач построения и тренировки нейронной сети с целью автоматического нахождения и классификации образов, достигая качества человеческого восприятия . Применяется как для исследований, так и для разработки собственных продуктов Google . Основной API для работы с библиотекой реализован для Python , также существуют реализации для R , C# , C++ , Haskell , Java , Go , JavaScript и Swift .

Является продолжением закрытого проекта DistBelief . Изначально TensorFlow была разработана командой Google Brain для внутреннего использования в Google, в 2015 году система была переведена в свободный доступ с открытой лицензией Apache 2.0 .

История

DistBelief

Закрытая система машинного обучения DistBelief разрабатывалась Google Brain для внутренних проектов с 2011 года для работы с нейронными сетями глубокого обучения . Она стала использоваться во многих исследовательских и коммерческих проектах группы фирм холдинга Alphabet . После успеха DistBelief, фирма Google решила вывести проект на новый уровень, и для рефакторинга выделила группу из нескольких разработчиков, в которую вошёл Джефф Дин ; целью группы было упрощение и оптимизация кодов библиотеки, увеличение надёжности и удобства пользования. Новая библиотека получила название TensorFlow . В 2013 году к проекту присоединился Джеффри Хинтон — учёный, под руководством которого в 2009 году был создан метод обобщённого обратного распространения ошибки и ряд других улучшений, позволившие существенно улучшить точность нейронных сетей (что привело, в частности, к снижению погрешности в распознавании речи на 25 %) .

TensorFlow

TensorFlow 9 ноября 2015 года был открыт для свободного доступа . TensorFlow является системой машинного обучения Google Brain второго поколения. В то время как эталонная реализация работает на единичных устройствах, TensorFlow может работать на многих параллельных процессорах, как CPU , так и GPU , опираясь на архитектуру CUDA для поддержки вычислений общего назначения на графических процессорах . TensorFlow доступна для 64-разрядных Linux , macOS , Windows , и для мобильных вычислительных платформ, включая Android и iOS .

Вычисления TensorFlow выражаются в виде потоков данных через граф состояний . Название TensorFlow происходит от операций с многомерными массивами данных, которые также называются « тензорами ». В июне 2016 года Джефф Дин из Google отметил, что к TensorFlow обращались 1500 репозиториев на GitHub , и только 5 из них были от Google.

Тензорный процессор

В мае 2016 года Google сообщила о применении для задач глубинного обучения аппаратного ускорителя собственной разработки — тензорного процессора (TPU) — специализированной интегральной схемы , адаптированной под задачи для TensorFlow, и обеспечивающей высокую производительность в арифметике пониженной точности (например, для 8-битных процессоров) и направленной скорее на применение моделей, чем на их обучение ^{[ источник не указан 517 дней ]} .

Сообщалось, что после использования TPU в собственных задачах Google по обработке данных удалось добиться на порядок лучших показателей продуктивности на ватт затраченной энергии .

TensorFlow 2.0

Поскольку доля рынка TensorFlow среди исследовательских работ сокращалась в пользу PyTorch, команда TensorFlow объявила о выпуске новой основной версии библиотеки в сентябре 2019 года. Изменил схему автоматического дифференцирования со статического вычислительного графа на схему «Определить-запуском», первоначально ставшую популярной благодаря Chainer, а затем PyTorch.

Применение

TensorFlow хорошо подходит для автоматизированной аннотации изображений в таких системах как . Также с 26 октября 2015 года Google использует систему RankBrain для увеличения релевантности ранжировки поисковой выдачи Google. RankBrain основан на TensorFlow .

TensorFlow позволяет проводить обучение генеративно-состязательных сетей (GAN) .

Интеграция TensorFlow с Python обеспечивается дистрибутивом Anaconda .

См. также

• Сравнение программ глубинного обучения

Примечания

Литература

• Орельен Жерон. Прикладное машинное обучение с помощью Scikit-Learn и TensorFlow. Концепции, инструменты и техники для создания интеллектуальных систем = Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems. — , 2018. — 688 с. — ISBN 978-5-9500296-2-2 , 978-1-491-96229-9.
• Джулли А., Пал С. Библиотека Keras — инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow = Deep learning with Keras. — , 2017. — 294 с. — ISBN 978-5-97060-573-8 .

Ссылка

• — официальный сайт TensorFlow (англ.)
• на сайте GitHub (англ.)