Bevezetés a TensorFlow-ba
Ebben a cikkben a TensorFlow építészet vázlatát látjuk. A TensorFlow egy platformközi könyvtár, és létezik néhány általános koncepció, például műveletek, munkamenetek és számítási grafikonok. A TensorFlow Serving megkönnyíti az új algoritmusok és kísérletek telepítését, ugyanakkor megőrzi ugyanazt az adatbázis-architektúrát és API-kat.
Mi a Tensorflow építészet?
A Tensorflow egy általánosan használt mély tanulási könyvtár, amelyet a Mesterséges intelligencia területén dolgozó Google agycsoport épített. Úgy fejlesztették ki, hogy több CPU-n, GPU-n is használható, és mobil eszközökön is futtasson, és támogatja a különféle burkolóosztályokat, például a python, C ++ vagy Java és tenzorokat, amelyek olyan objektumok, amelyek leírják a vektorok, skalárok és egyéb tenzorok közötti lineáris kapcsolatot. .
A tenzorok nem több, mint többdimenziós tömbök. A TensorFlow architektúra és szolgáltatások megértéséhez először meg kell értenünk néhány kifejezést.
- Tensorflow javítható termékek
- Szolgáltatható verziók
- Szolgáltatható folyamok
- Tensorflow modell
- Tensorflow homlokrakodók
- Tensorflow források
- Tensorflow Manager
- Tensorflow mag
- Szolgáltatható élet
- Dobó Tensorflow építészetben
1. Tensorflow javítható elemek
- A Tensorflow javítható elemek általános objektumok, amelyeket főként a számítás végrehajtására használnak. A TensorFlow kiszolgálható mérete nagyon rugalmas. A kiszolgálható elemek központi, nem befejezett egységek a TensorFlow kiszolgálásban.
- A kiszolgálható egység bármit tartalmazhat, mint például tippeket, keresési táblákat. A kiszolgálható objektumok bármilyen típusúak és bármilyen felülettel rendelkezhetnek, ezeknek a szolgáltatásoknak köszönhetően nagyon rugalmasak és könnyűek a jövőbeni fejlesztésekre, például aszinkron működési módok, streaming eredmények és kísérleti API-k.
2. Szolgáltatható verziók
- A TensorFlow kiszolgálható változatai fenntarthatók a kiszolgálható verziókkal. Képes kezelni a Szolgáltatások egy vagy több verzióját. Segíthet az új algoritmusok konfigurálásában, a kezelési súlyokban és egyéb változtatások elvégzésében, az adatok betöltésében.
- Azt is megváltoztathatja és kezelheti a verziókat, engedélyezheti egyszerre több kiszolgálható verziót.
3. Szolgáltatható folyamok
Ez a Szolgáltatások különféle verzióinak gyűjteménye. Egyre növekvő verziószámban tárolja.
4. Tensorflow modellek
- A TensorFlow modell tartalmazhat egy vagy több TensorFlow Szolgáltatást. Főleg olyan gépi tanulási feladatokban használják, amelyek egynél több algoritmust is tartalmazhatnak, amely modelltől, keresési táblázatoktól, metrikától és táblázatok beágyazásától függően különböző súlyokat tartalmaz.
- Sokféle módon kiszolgálható, így a keresési táblázat kiszolgálására különféle módok is vannak.
5. Tensorflow rakodók
- A Tensorflow betöltő olyan API, amely kezeli a TensorFlow Servables életciklusát. Közös infrastruktúrát biztosít néhány tanulási algoritmushoz.
- A TensorFlow rakodógép fő célja a Szervezetek betöltése és ürítése szabványos betöltő API-k segítségével.
6. Tensorflow források
- A források plugin modulként működnek. A Tensorflow forrás elvégzi az alapjainak kiszolgáltatható kezelését, például a kiszolgálható megkeresését, kérésre kiszolgáltatható.
- Mindegyik referencia egy vagy több kiszolgálható adatfolyamot szolgáltathat egyszerre. Minden forrás betöltőpéldányt nyújt a patak verziójának kezelésére. És minden kiszolgálható adatfolyam a verzió alapú.
- A forrásnak különböző állapotai vannak, amelyeket meg lehet osztani a különféle verziókkal és több szerverrel. Kezelheti a frissítéseket és a változatok közötti váltást is.
7. Tensorflow vezetők
- A Tensorflow manager kezeli a kiszolgálható életciklusát.
- Szolgáltatható berakodás, kiszolgálható kiszolgálás, kiszámítható lerakodás.
- A Manager az összes elérhető forrásból megkapja a választ, és figyelemmel kíséri annak összes verzióját. A kezelő a feltöltést megtagadhatja vagy elhalaszthatja.
- A GetServableHandle () funkció olyan felületet biztosít, amely segít kezelni a TensorFlow Servables kezelési ügyeit.
8. Tensorflow mag
A Tensorflow Core tartalmazza:
- Életciklus, metrikák.
- A Tensorflow kiszolgáló mag tárgyakként szolgál a szervizelésre és a rakodókra.
9. Szolgáltatható élet
A teljes eljárást elmagyarázzuk a szerálandó felhasználás módjáról és a szerver teljes életciklusáról:
- Source létrehozása rakodók a különféle kiszolgálható verziókhoz. Az ügyfél kérése a menedzsernek és a menedzsernek elküldte a rakodók által kitöltött változatot, betölti és kiszolgálja az ügyfélnek.
- A Betöltő metaadatokat tartalmaz, amelyek felhasználhatók a Szervező elemek betöltésére. A visszahívás a menedzser értesítésére szolgál a kiszolgálható forráskódokról. A kezelő egy verziós házirendet követ, amely elősegíti a következő lépések konfigurálását és eldöntését.
- A menedzser ellenőrzi a rakodók biztonságát is, ha ez biztonságos, akkor csak a szükséges erőforrásokat adja meg a rakodónak, és engedélyt ad az új verzió betöltésére. A kezelő az Ügyfél kérésére a Leválasztható szolgáltatást nyújtja, vagy kifejezetten egy meghatározott verziót kér, vagy közvetlenül a legújabb verziót kérheti, miután az igazgató egy kezelőelemet adott vissza a kiszolgálható eléréshez.
- A Dynamic manager kezeli a kiszolgálható verziókat, alkalmazza a verziós irányelvet, és úgy dönt, hogy a legfrissebb verziót kell betölteni. A dinamikus menedzser memóriát allokál a betöltőhöz. A Loader elindítja a TensorFlow gráfot, és frissíti a TensorFlow gráf súlyát.
- Amikor egy ügyfél kéri a kiszolgálható szolgáltatást, és ellenőrzi az ügyfél által igényelt verziót, akkor a Dynamic manager visszaadja az adott kezelőt a kiszolgálható kért verziójával.
10. Dobó a Tensorflow építészetében
- A kötegezés egy eljárás, amely során több kérést egyetlen kérelembe kezelnek.
- Ezzel az eljárással csökkenthetjük a következtetések végrehajtásának költségeit, különös tekintettel a hardverek, például a GPU, a TPU gyorsulására.
- A Tensorflow kiszolgálható tartalmaz egy Batcher widget-et, ennek a widgetnek a használatával az ügyfelek egyszerűen kötegelik több specifikus következtetési kérelmet egyetlen kötegelt kérelembe. Így hatékonyan tudják végrehajtani ezt az eljárást.
Következtetés - TensorFlow architektúra
A Tensorflow Architecture egy decentralizált rendszert képvisel. Megmutatja, hogy a különféle alkotóelemek hogyan működnek és szolgálják szerepét egy decentralizált rendszerben. Szolgáltatás az ügyfél kérésére és több művelet párhuzamos kötegelt felhasználása. A TensorFlow architektúra egyik legjobb tulajdonsága a műveletek kötegelt, a hardveres gyorsítás és a dinamikus kezelő lehetőségek, a betöltők, a források és a kiszolgálható adatfolyamok kötegezése.
Ajánlott cikkek
Ez egy útmutató a TensorFlow architektúrához. Itt tárgyaljuk, mi a TensorFlow, és a TensorFlow Architecture legjobb tulajdonságait. A további javasolt cikkeken keresztül további információkat is megtudhat -
- Bevezetés a jellegzetes Tensorflow-ba
- TensorFlow vs Spark | Öt legjobb összehasonlítás
- Theano vs Tensorflow - Legfontosabb különbségek
- TensorFlow alternatívák | Top 11