TensorFlow 2.0 இல், ஆர்வமுள்ள செயல்பாட்டிற்கு ஆதரவாக அமர்வுகளின் கருத்து அகற்றப்பட்டது, ஏனெனில் ஆர்வமுள்ள செயல்படுத்தல் உடனடி மதிப்பீடு மற்றும் செயல்பாடுகளை எளிதாக பிழைத்திருத்தம் செய்ய அனுமதிக்கிறது, இது செயல்முறையை மேலும் உள்ளுணர்வு மற்றும் பைத்தோனிக் ஆக்குகிறது. இந்த மாற்றம் TensorFlow எவ்வாறு இயங்குகிறது மற்றும் பயனர்களுடன் தொடர்பு கொள்கிறது என்பதில் குறிப்பிடத்தக்க மாற்றத்தைக் குறிக்கிறது.
TensorFlow 1.x இல், ஒரு கணக்கீட்டு வரைபடத்தை உருவாக்க அமர்வுகள் பயன்படுத்தப்பட்டன, பின்னர் அதை ஒரு அமர்வு சூழலில் செயல்படுத்தவும். இந்த அணுகுமுறை சக்தி வாய்ந்தது ஆனால் சில சமயங்களில் சிக்கலானதாக இருந்தது, குறிப்பாக ஆரம்பநிலை மற்றும் மிகவும் அவசியமான நிரலாக்க பின்னணியில் இருந்து வரும் பயனர்களுக்கு. ஆர்வத்துடன் செயல்படுத்துவதன் மூலம், ஒரு அமர்வை வெளிப்படையாக உருவாக்க வேண்டிய அவசியம் இல்லாமல், செயல்பாடுகள் உடனடியாக செயல்படுத்தப்படும்.
அமர்வுகளை அகற்றுவது டென்சர்ஃப்ளோ பணிப்பாய்வுகளை எளிதாக்குகிறது மற்றும் நிலையான பைதான் நிரலாக்கத்துடன் மிகவும் நெருக்கமாக சீரமைக்கிறது. இப்போது, பயனர்கள் வழக்கமான பைதான் குறியீட்டை எவ்வாறு எழுதுவார்கள் என்பதைப் போலவே, டென்சர்ஃப்ளோ குறியீட்டை மிகவும் இயல்பாக எழுதலாம் மற்றும் இயக்கலாம். இந்த மாற்றம் பயனர் அனுபவத்தை மேம்படுத்துகிறது மற்றும் புதிய பயனர்களுக்கான கற்றல் வளைவைக் குறைக்கிறது.
TensorFlow 2.0 இல் அமர்வுகளை நம்பியிருக்கும் சில உடற்பயிற்சிக் குறியீட்டை இயக்க முயற்சிக்கும் போது நீங்கள் AttributeError ஐ எதிர்கொண்டால், அமர்வுகள் இனி ஆதரிக்கப்படாது என்பதே இதற்குக் காரணம். இந்தச் சிக்கலைத் தீர்க்க, ஆர்வமுள்ள செயல்படுத்தலைப் பயன்படுத்த, குறியீட்டை மறுபரிசீலனை செய்ய வேண்டும். அவ்வாறு செய்வதன் மூலம், உங்கள் குறியீடு TensorFlow 2.0 உடன் இணக்கமாக இருப்பதை உறுதிசெய்து, ஆர்வத்துடன் செயல்படுத்தும் பலன்களைப் பயன்படுத்திக் கொள்ளலாம்.
TensorFlow 1.x இல் அமர்வுகளைப் பயன்படுத்துவதற்கும் TensorFlow 2.0 இல் ஆர்வத்துடன் செயல்படுத்துவதற்கும் உள்ள வித்தியாசத்தை விளக்குவதற்கு இங்கே ஒரு எடுத்துக்காட்டு:
TensorFlow 1.x (அமர்வுகளைப் பயன்படுத்தி):
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)
டென்சர்ஃப்ளோ 2.0 (ஆவலுடன் செயல்படுத்துவதைப் பயன்படுத்துதல்):
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)
உடற்பயிற்சிக் குறியீட்டைப் புதுப்பிப்பதன் மூலம், டென்சர்ஃப்ளோ 2.0 உடன் இணக்கத்தன்மையை உறுதிசெய்து, அதன் நெறிப்படுத்தப்பட்ட பணிப்பாய்வு மூலம் பயனடையலாம்.
TensorFlow 2.0 இல் உள்ள அமர்வுகளை ஆர்வத்துடன் செயல்படுத்துவதற்கு ஆதரவாக அகற்றுவது, கட்டமைப்பின் பயன்பாட்டினை மற்றும் எளிமையை மேம்படுத்தும் மாற்றத்தைக் குறிக்கிறது. ஆர்வத்துடன் செயல்படுத்துவதன் மூலம், பயனர்கள் டென்சர்ஃப்ளோ குறியீட்டை மிகவும் இயற்கையாகவும் திறமையாகவும் எழுத முடியும், இது மிகவும் தடையற்ற இயந்திர கற்றல் மேம்பாட்டு அனுபவத்திற்கு வழிவகுக்கும்.
தொடர்பான பிற சமீபத்திய கேள்விகள் மற்றும் பதில்கள் EITC/AI/GCML கூகிள் கிளவுட் மெஷின் கற்றல்:
- டெக்ஸ்ட் டு ஸ்பீச் (TTS) என்றால் என்ன, அது AI உடன் எவ்வாறு செயல்படுகிறது?
- இயந்திர கற்றலில் பெரிய தரவுத்தொகுப்புகளுடன் பணிபுரிவதில் உள்ள வரம்புகள் என்ன?
- இயந்திர கற்றல் சில உரையாடல் உதவிகளை செய்ய முடியுமா?
- டென்சர்ஃப்ளோ விளையாட்டு மைதானம் என்றால் என்ன?
- பெரிய தரவுத்தொகுப்பு உண்மையில் என்ன அர்த்தம்?
- அல்காரிதத்தின் ஹைபர்பாராமீட்டர்களின் சில எடுத்துக்காட்டுகள் யாவை?
- இசையமைத்தல் கற்றல் என்றால் என்ன?
- தேர்ந்தெடுக்கப்பட்ட இயந்திர கற்றல் அல்காரிதம் பொருத்தமானதாக இல்லாவிட்டால் என்ன செய்வது மற்றும் சரியானதைத் தேர்ந்தெடுப்பதை எவ்வாறு உறுதிப்படுத்துவது?
- ஒரு இயந்திர கற்றல் மாதிரி அதன் பயிற்சியின் போது மேற்பார்வை தேவையா?
- நியூரல் நெட்வொர்க் அடிப்படையிலான அல்காரிதம்களில் பயன்படுத்தப்படும் முக்கிய அளவுருக்கள் யாவை?
EITC/AI/GCML Google Cloud Machine Learning இல் கூடுதல் கேள்விகள் மற்றும் பதில்களைக் காண்க