Back-End

8 fev, 2018

Anunciando o TensorFlow 1.5

Publicidade

Artigo de Laurence Moroney, publicado originalmente pelo Google Developers Blog. A tradução foi feita pela Redação iMasters com autorização.

***

Estamos muito satisfeitos em anunciar que o TensorFlow 1.5 agora é público! Instale-o agora para obter vários novos recursos que esperamos que você aproveite!

Eager Execution for TensorFlow

Primeiro, a Eager Execution para o TensorFlow está agora disponível como preview. Nós ouvimos muitos feedbacks sobre o estilo de programação do TensorFlow e como os desenvolvedores realmente querem um estilo de programação imperativo, definido por executar.

Com a Eager Execution for TensorFlow habilitada, você pode executar as operações TensorFlow imediatamente como elas são chamadas a partir do Python. Isso torna mais fácil começar com o TensorFlow e pode tornar a pesquisa e o desenvolvimento mais intuitivos.

Por exemplo, pense em uma computação simples como uma multiplicação de matriz. Hoje, no TensorFlow, isso ficaria assim:

x = tf.placeholder(tf.float32, shape=[1, 1])
m = tf.matmul(x, x)

with tf.Session() as sess:
  print(sess.run(m, feed_dict={x: [[2.]]}))

Se você habilitar a Eager Execution para TensorFlow, isso ficará mais parecido com isso:

x = [[2.]]
m = tf.matmul(x, x)

print(m)

Você pode aprender mais sobre Eager Execution for TensorFlow aqui (confira o guia do usuário linkado na parte inferior da página, e também esta apresentação) e os documentos da API aqui.

TensorFlow Lite

O developer preview do TensorFlow Lite está integrado na versão 1.5. O TensorFlow Lite, a solução leve do TensorFlow para dispositivos móveis e incorporados, permite que você pegue um modelo TensorFlow treinado e converta-o em um arquivo .tflite que pode ser executado em um dispositivo móvel com baixa latência. Assim, o treinamento não precisa ser feito no dispositivo, nem o dispositivo precisa carregar dados para a nuvem para que ele funcione. Então, por exemplo, se você quiser classificar uma imagem, um modelo treinado pode ser implementado no dispositivo, e a classificação da imagem é feita diretamente no gadget.

O TensorFlow Lite inclui um aplicativo de exemplo para você começar. Esse aplicativo usa o modelo MobileNet de 1001 categorias de imagens exclusivas. Ele reconhece uma imagem e a combina com uma série de categorias, listando as top três que reconhece. O aplicativo está disponível para Android e iOS.

Você pode aprender mais sobre TensorFlow Lite e como converter seus modelos para estarem disponíveis no mobile aqui.

Atualizações de aceleração de GPU

Se você estiver usando aceleração de GPU no Windows ou no Linux, o TensorFlow 1.5 agora possui suporte para CUDA 9 e cuDNN 7 integrado.

Para saber mais sobre a Compuing Unified Device Architecture da NVidia (CUDA) 9, confira o site da NVidia aqui.

Isso é aprimorado pela CUDA Deep Neural Network Library (cuDNN), cuja versão mais recente é a versão 7. O suporte para isso agora está incluído no TensorFlow 1.5.

Aqui estão alguns artigos do Medium sobre suporte de GPU no Windows e no Linux, e como instalá-los em sua estação de trabalho (se ela for compatível com o hardware necessário).

Atualizações do site de documentação

Em consonância com esta versão, também revisamos o site de documentação, incluindo um fluxo de Getting Started melhorado que o levará de nenhum conhecimento à construção de uma rede neural para classificar diferentes tipos de íris em um tempo muito curto. Confira!

Outras melhorias

Além desses recursos, há muitas outras melhorias na Accelerated Linear Algebra (XLA), atualizações para RunConfig e muito mais. Verifique as release notes aqui.

Instalando o TensorFlow 1.5

Para obter o TensorFlow 1.5, você pode usar a instalação pip padrão (ou pip3 se você usar o python3).

$  pip install --ignore-installed --upgrade tensorflow

***

Este artigo é do Google Developers Blog. Ele foi escrito por Laurence Moroney. A tradução foi feita pela Redação iMasters com autorização. Você pode acessar o original em: https://developers.googleblog.com/2018/01/announcing-tensorflow-15.html