TensorFlow 2.1.0 a été publié, après deux release candidates. La version finale du framework de machine learning comprend de nouvelles fonctionnalités et des changements majeurs. Dans le même temps, Python 2.7 a atteint sa fin de vie et n’est plus pris en charge par TensorFlow. Voyons ensemble les autres changements qui ont été apportés.
TensorFlow est une bibliothèque de logiciels open source pour machine learning qui a été initialement développée par l’équipe de Google Brain en 2015. Elle est depuis devenue très populaire au sein de la communauté open source et s’est avérée être le 5ème projet open source le plus populaire sur GitHub d’après le rapport Octoverse.
Tensorflow 2. 1 .0 : Les changements majeurs
Dans la version 2.1.0, de nouvelles fonctionnalités ont été ajoutées pour le package pip tensorflow, Keras et plus encore. Parmi les changements les plus marquants figurent le renommage d’API ainsi que leurs suppressions, et six API sont désormais stables.
Tensorflow 2. 1 .0 : Package Pip
Le package pip inclut désormais la prise en charge GPU par défaut (identique à tensorflow-gpu) pour Linux et Windows. Cela fonctionne sur les machines avec et sans GPU NVIDIA. tensorflow-gpu est toujours disponible, et les packages uniquement CPU peuvent être téléchargés sur tensorflow-cpu pour les utilisateurs qui sont préoccupés par la taille du package.
Utilisateurs Windows
- Officiellement les packages pip publiés sont maintenant construits avec Visual Studio 2019 version 16.4 afin de tirer le meilleur parti du nouveau flag de compilation / d2ReducedOptimizeHugeFunctions. Pour utiliser ces nouveaux packages, vous devez installer «Microsoft Visual C ++ Redistribuable de Visual Studio 2015, 2017 et 2019», disponible sur le site Web de Microsoft ici.
- Cela ne change pas la version minimale requise pour développer TensorFlow à partir de la source sur Windows, mais les versions activant EIGEN_STRONG_INLINE peuvent prendre plus de 48 heures à compiler sans ce flag. Reportez-vous à configure.py pour plus d’informations sur EIGEN_STRONG_INLINE et / d2ReducedOptimizeHugeFunctions.
- Si l’une des DLL requises, msvcp140.dll (ancienne) ou msvcp140_1.dll (nouvelle), est manquante sur votre ordinateur, import tensorflow affichera un message d’avertissement.
Tensorflow 2. 1 .0 : Keras
- La prise en
charge expérimentale de la précision mixte est disponible pour les GPU et les
TPU Cloud. Voir le guide d’utilisation.
- Introduction
de la couche TextVectorization, qui prend en entrée les chaînes brutes et s’occupe de
la standardisation du texte, de la tokenisation, de la génération de n-grammes
et de l’indexation du vocabulaire. Voir cet exemple de classification de texte de bout en bout.
- Keras .compile
.fit .evaluate et .predict sont autorisés à être en dehors du cadre
DistributionStrategy, tant que le modèle a été construit à l’intérieur d’un
cadre.
- Une prise en
charge expérimentale des Keras .compile, .fit,
.evaluate et .predict est disponible pour les TPU Cloud, Cloud TPU, pour tous
les types de modèles Keras (modèles séquentiels, fonctionnels et de
sous-classe).
- La
compilation externe automatique est désormais activée pour les TPU Cloud. Cela
permet à tf.summary d’être utilisé plus facilement avec les TPU Cloud.
- Les tailles
de lots dynamiques avec DistributionStrategy et Keras sont prises en charge sur
les TPU Cloud.
- Prise en
charge de .fit,
.evaluate, .predict sur TPU à l’aide de données numpy, en plus de tf.data.Dataset.
- Les implémentations de référence Keras pour de nombreux modèles populaires sont disponibles dans le TensorFlow Model Garden.
Changement au niveau des APIs
Les API suivantes ne sont plus expérimentales :
- tf.config.list_logical_devices, tf.config.list_physical_devices, tf.config.get_visible_devices, tf.config.set_visible_devices, tf.config.get_logical_device_configuration, tf.config.set_logical_device_configuration.
- tf.config.experimentalVirtualDeviceConfiguration a été renommée en tf.config.LogicalDeviceConfiguration.
- tf.config.experimental_list_devices a été supprimée, il faut maintenant utiliser
- tf.config.list_logical_devices.
Que pensez-vous de ces changements ? Les avez-vous déjà mis en pratique ? Dites-nous tout en commentaire !
Inscrivez-vous à notre formation Tensorflow : Deep Learning & AI pour vous mettre à jour !
Et pour en savoir plus avant de vous lancer, contactez-nous.
