开发 | 谷歌发布TensorFlow 1.4版本:支持分布式训练,迎来三大新变化

e Developers blog正式撰文发布TensorFlow 1.4版本,此次的更新迎来三个重大变化:Keras位于TensorFlow core中,Dataset API支持更多功能,引入效用函数tf.estimator.train_and_evaluate等等。

AI科技评论编辑整理如下:

TensorFlow 1.4目前已经公开,这次迎来重大更新。此次更新后,将支持很多新的、令人兴奋的特征,希望大家都能满意。

Keras

在TensorFlow 1.4版本中,Keras从tf.contrib.keras转移到tf.keras核心包。Keras目前是一个广受欢迎的机器学习框架,它的高级API接口能大大缩短从付诸想法到实践的时间。Keras平滑地集成了其他core TensorFlow功能,包括Estimator API。

事实上,通过调用tf.keras.estimator.model_to_estimator函数,大家可以从任何Keras模型中构建Estimator。

此次更新后,Keras处于TensorFlow core中了,大家可以在自己的产品工作流中用到它。

想要了解更多关于Keras的相关知识,请阅读如下链接:

简单介绍
https://keras.io/#getting-started-30-seconds-to-keras

Keras Sequential model API指南
https://keras.io/getting-started/sequential-model-guide/

Keras Functional model API指南
https://keras.io/getting-started/functional-api-guide/

想要了解更多关于Estimator的相关知识,请阅读如下链接:

介绍TensorFlow Estimator和数据集的博文
https://developers.googleblog.com/2017/09/introducing-tensorflow-datasets.html

数据集

TensorFlow 1.4版本中,Dataset API从tf.contrib.data中转移到tf.data核心包。新版Dataset API将支持Python生成器。强烈建议大家使用Dataset API来为TensorFlow模型创建input pipeline,原因有如下几点:

  • 比起老版的API,这次更新的Dataset API提供了更多功能(feed_dict函数、基于队列的pipeline)
  • Dataset API执行效果更好
  • Dataset API更干净,更易于使用

未来的开发重点将放在Dataset API上,而不是着眼于之前的API。如果想使用数据集,请阅读如下说明:

介绍TensorFlow Estimator和数据集的博文(链接如上)

TensorFlow程序员数据导入篇指南
https://www.tensorflow.org/versions/r1.4/programmers_guide/datasets

介绍Dataset API的幻灯片(带有讲者注释)
http://.cn/RlWCD1b

分布式训练&评估Estimator

TensorFlow 1.4还引入了效用函数tf.estimator.train_and_evaluate,这能简化训练、评估以及

输出Estimator模型的过程。该函数在训练和评估过程中能支持分布式执行,同时也仍然支持本地执行。

其他增强功能

除了前面所述的一系列功能,TensorFlow 1.4还引入了一些额外的增强功能,在Release Note有详细描述。

地址:
https://github.com/tensorflow/tensorflow/blob/master/RELEASE.md

安装TensorFlow 1.4

目前可以使用标准pip来安装TensorFlow 1.4版本。

# Note: the following command will overwrite any existing TensorFlow

# installation.

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

# Use pip for Python 2.7

# Use pip3 instead of pip for Python 3.x

另外,tensorflow.org中的文件也已更新到1.4版本。

最后,TensorFlow的强大功能依赖于社群中的贡献者们,非常感谢大家帮助我们一起进行开发。还没有加入我们社群的人,请不要犹豫,大家一起在GitHub开发源代码或者在Stack Overflow上帮助回答问题吧。

希望你们都能喜欢这些新功能。

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2017-11-08

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技大本营的专栏

AI 技术讲座精选:数学不好,也可以学习人工智能(三)

【AI100 导读】学习人工智能到底要不要学好数学,这俨然已经成了一个争议话题了?之前 AI100 刊发了本系列的前两篇文章,也发表了作者子白的《放弃幻想,搞 ...

39917
来自专栏AI科技评论

开发 | 如何在 i5 上实现 20 倍的 Python 运行速度?

Intel Distribution for Python 在今年二月进行了更新——英特尔发布了 Update 2 版本。以“加速”为核心的它,相比原生 Pyt...

3746
来自专栏目标检测和深度学习

谷歌GPU资源免费啦

注:本文编译自medium,原英文链接:https://medium.com/@nickbourdakos/train-your-machine-learnin...

3797
来自专栏AI研习社

如何上手使用 Facebook 的开源平台 Detectron?

不久前,Facebook 开源了用于物体识别的 CV 开发平台 Detectron,为广大研究人员们未来的新计算机视觉研究课题提供灵活、快速的模型实现和评估途...

3055
来自专栏生信技能树

850K甲基化芯片数据的分析

作者是生信技能树组建的表观遗传学学习小组的小组长,前面已经发过一个: 学员分享-Chip-seq 实战分析流程 本文是看到生信技能树有个450K甲基化芯片数据处...

36311
来自专栏量子位

谷歌免费GPU训练星际2AI好难?你需要份debug指南

自从去年8月10号暴雪开放了星际争霸II的人工智能API之后,数不清的AI研究者前赴后继地加入了训练星际2 AI的队伍中。

803
来自专栏大数据文摘

数学烂也要学AI | 带你造一个经济试用版AI终极必杀器

2629
来自专栏腾讯移动品质中心TMQ的专栏

测试建模 :从尔康的鼻孔说开来,重要的用例写三遍

看完本文你会了解以下内容 1. 什么是SUT模型 2. 测试建模在工作中究竟是怎样一个过程 3. 从业务流程到测试用例我们忽略了什么 4. 测试建模会有哪些产出...

1755
来自专栏ATYUN订阅号

Prodigy,从根本上有效的自主学习驱动的注释工具

Prodigy是一种非常高效的机器教学工具,数据科学家可以在无需外部注释的情况下,为新功能创建端到端原型,并且可以顺利地进行生产。无论你是在进行实体识别、意图检...

28310
来自专栏CDA数据分析师

如何在Python中用Bokeh实现交互式数据可视化?

引言 最近,我一直在看美国德克萨斯州奥斯汀举办的SciPy 2015会议上的一段视频——“用Blaze和Bokeh创建Python数据应用程序”,并且情不自禁地...

2797

扫描关注云+社区