Sa TensorFlow 2.0, ang konsepto ng mga session ay inalis sa pabor sa sabik na pagpapatupad, dahil ang sabik na pagpapatupad ay nagbibigay-daan para sa agarang pagsusuri at mas madaling pag-debug ng mga operasyon, na ginagawang mas intuitive at Pythonic ang proseso. Ang pagbabagong ito ay kumakatawan sa isang makabuluhang pagbabago sa kung paano gumagana at nakikipag-ugnayan ang TensorFlow sa mga user.
Sa TensorFlow 1.x, ginamit ang mga session para bumuo ng computation graph at pagkatapos ay isagawa ito sa loob ng isang environment ng session. Ang diskarte na ito ay makapangyarihan ngunit kung minsan ay masalimuot, lalo na para sa mga baguhan at user na nagmumula sa isang mas mahalagang background ng programming. Sa sabik na pagpapatupad, ang mga operasyon ay isinasagawa kaagad, nang hindi nangangailangan ng tahasang paggawa ng session.
Ang pag-aalis ng mga session ay nagpapasimple sa TensorFlow workflow at mas malapit itong ihanay sa karaniwang Python programming. Ngayon, ang mga user ay maaaring magsulat at magsagawa ng TensorFlow code mich nang mas natural, katulad ng kung paano sila magsusulat ng regular na Python code. Pinapahusay ng pagbabagong ito ang karanasan ng user at pinapababa ang curve ng pagkatuto para sa mga bagong user.
Kung nakatagpo ka ng AttributeError noong sinusubukang magpatakbo ng ilang code ng ehersisyo na umaasa sa mga session sa TensorFlow 2.0, ito ay dahil sa katotohanang hindi na sinusuportahan ang mga session. Upang malutas ang isyung ito, kailangan mong i-refactor ang code upang magamit ang sabik na pagpapatupad. Sa paggawa nito, maaari mong matiyak na ang iyong code ay tugma sa TensorFlow 2.0 at samantalahin ang mga benepisyo na inaalok ng sabik na pagpapatupad.
Narito ang isang halimbawa upang ilarawan ang pagkakaiba sa pagitan ng paggamit ng mga session sa TensorFlow 1.x at sabik na pagpapatupad sa TensorFlow 2.0:
TensorFlow 1.x (gamit ang mga session):
python import tensorflow as tf # Build a graph a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) # Create a session and run the graph with tf.Session() as sess: result = sess.run(c) print(result)
TensorFlow 2.0 (gamit ang sabik na pagpapatupad):
python import tensorflow as tf # Enable eager execution tf.config.run_functions_eagerly(True) # Perform operations without the need for a session a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) print(c)
Sa pamamagitan ng pag-update ng code ng ehersisyo upang magamit ang sabik na pagpapatupad, masisiguro ng isa ang pagiging tugma sa TensorFlow 2.0 at makikinabang mula sa naka-streamline na daloy ng trabaho nito.
Ang pag-aalis ng mga session sa TensorFlow 2.0 na pabor sa sabik na pagpapatupad ay kumakatawan sa isang pagbabago na nagpapahusay sa kakayahang magamit at pagiging simple ng framework. Sa pamamagitan ng pagtanggap ng sabik na pagpapatupad, ang mga user ay maaaring magsulat ng TensorFlow code nang mas natural at mahusay, na humahantong sa isang mas tuluy-tuloy na karanasan sa pag-develop ng machine learning.
Iba pang kamakailang mga tanong at sagot tungkol sa EITC/AI/GCML Google Cloud Machine Learning:
- Ano ang mga limitasyon sa pagtatrabaho sa malalaking dataset sa machine learning?
- Magagawa ba ng machine learning ang ilang dialogic na tulong?
- Ano ang TensorFlow playground?
- Ano ba talaga ang ibig sabihin ng mas malaking dataset?
- Ano ang ilang halimbawa ng mga hyperparameter ng algorithm?
- Ano ang pag-aaral ng ensemble?
- Paano kung ang napiling machine learning algorithm ay hindi angkop at paano makasigurado na piliin ang tama?
- Kailangan ba ng isang machine learning model ang pangangasiwa sa panahon ng pagsasanay nito?
- Ano ang mga pangunahing parameter na ginagamit sa mga algorithm na nakabatay sa neural network?
- Ano ang TensorBoard?
Tingnan ang higit pang mga tanong at sagot sa EITC/AI/GCML Google Cloud Machine Learning