A TensorFlow 2.0, el concepte de sessions s'ha eliminat a favor de l'execució amb ganes, ja que l'execució amb ganes permet una avaluació immediata i una depuració més fàcil de les operacions, fent que el procés sigui més intuïtiu i pythonic. Aquest canvi representa un canvi significatiu en la manera com TensorFlow opera i interactua amb els usuaris.
A TensorFlow 1.x, les sessions es van utilitzar per construir un gràfic de càlcul i després executar-lo dins d'un entorn de sessió. Aquest enfocament era potent però de vegades feixuc, especialment per als principiants i els usuaris que provenien d'un context de programació més imperatiu. Amb una execució ràpida, les operacions s'executen immediatament, sense necessitat de crear una sessió explícitament.
L'eliminació de sessions simplifica el flux de treball de TensorFlow i l'alinea més estretament amb la programació estàndard de Python. Ara, els usuaris poden escriure i executar codi TensorFlow de manera més natural, de manera similar a com escriurien codi Python normal. Aquest canvi millora l'experiència de l'usuari i redueix la corba d'aprenentatge dels nous usuaris.
Si us heu trobat amb un AttributeError quan intenteu executar algun codi d'exercici que es basa en sessions a TensorFlow 2.0, és degut al fet que les sessions ja no són compatibles. Per resoldre aquest problema, heu de refactoritzar el codi per utilitzar l'execució amb ganes. En fer-ho, podeu assegurar-vos que el vostre codi és compatible amb TensorFlow 2.0 i aprofitar els avantatges que ofereix l'execució amb ganes.
Aquí teniu un exemple per il·lustrar la diferència entre l'ús de sessions a TensorFlow 1.x i l'execució ansiosa a TensorFlow 2.0:
TensorFlow 1.x (utilitzant sessions):
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 (utilitzant una execució ansiosa):
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)
En actualitzar el codi d'exercici per aprofitar l'execució amb ganes, es pot garantir la compatibilitat amb TensorFlow 2.0 i beneficiar-se del seu flux de treball racionalitzat.
L'eliminació de sessions a TensorFlow 2.0 a favor de l'execució amb ganes representa un canvi que millora la usabilitat i la simplicitat del marc. En adoptar una execució amb ganes, els usuaris poden escriure codi TensorFlow de manera més natural i eficient, donant lloc a una experiència de desenvolupament d'aprenentatge automàtic més perfecta.
Altres preguntes i respostes recents sobre EITC/AI/GCML Google Cloud Machine Learning:
- Què és el text a veu (TTS) i com funciona amb IA?
- Quines són les limitacions de treballar amb grans conjunts de dades en l'aprenentatge automàtic?
- L'aprenentatge automàtic pot fer una mica d'ajuda dialògica?
- Què és el pati TensorFlow?
- Què significa realment un conjunt de dades més gran?
- Quins són alguns exemples d'hiperparàmetres d'algorisme?
- Què és l'aprenentatge ensamble?
- Què passa si un algorisme d'aprenentatge automàtic escollit no és adequat i com es pot assegurar-se de seleccionar-ne l'adequat?
- Un model d'aprenentatge automàtic necessita supervisió durant la seva formació?
- Quins són els paràmetres clau utilitzats en algorismes basats en xarxes neuronals?
Consulta més preguntes i respostes a EITC/AI/GCML Google Cloud Machine Learning