Въведение в TensorFlow
В тази статия ще видим контур за TensorFlow Architecture. TensorFlow е кросплатформена библиотека и има някои общи понятия като операции, сесии и изчислителни графики. TensorFlow Serving прави новите алгоритми и експерименти лесни за внедряване, като запазват същата архитектура на базата данни и API.
Какво е Tensorflow Architecture?
Tensorflow е често използвана библиотека за дълбоко обучение, която е изградена от мозъчния екип на Google, който работеше върху изкуствения интелект. Той е разработен така, че може да се използва на множество процесори, графични процесори, а също така може да работи на мобилни устройства и поддържа различни класове обвивки като python, C ++ или Java и Tensors, които са обекти, които описват линейната връзка между вектори, скалари и други тензори,
Тензорите не са нищо друго освен многоизмерни масиви. За да разберем архитектурата и функциите на TensorFlow, първо трябва да разберем някои термини.
- Tensorflow Servables
- Версии за обслужване
- Служебни потоци
- Tensorflow Модел
- Tensorflow товарачи
- Източници на Tensorflow
- Tensorflow Manager
- Tensorflow Core
- Животът на подвижния
- Batcher В архитектурата на Tensorflow
1. Сервизи за тензорфлоу
- Tensorflow Servables са обичайни обекти, които се използват главно за извършване на изчисления. Размерът на преносимия TensorFlow е много гъвкав. Сервизните материали са централни незавършени единици в сервиза на TensorFlow.
- Преносимата единица може да съдържа всичко подобно, може да съдържа кортежи, таблици за търсене. Преносимите обекти могат да бъдат от всякакъв тип и всякакъв интерфейс, поради тези функции е много гъвкаво и лесно да се правят бъдещи подобрения като асинхронни режими на работа, резултати на поточно предаване и експериментални API.
2. Работни версии
- Използвани са подвижни версии за поддържане на версии на TensorFlow подвижни. Той може да се справи с една или повече версии на Servables. Може да помогне за конфигурирането на новите алгоритми, да обработва тежести и да се правят други промени, могат да се зареждат данни.
- Той също така може да променя и управлява версии, да активира няколко преносими версии наведнъж.
3. Служебни потоци
Това е колекция от различни версии на Servables. Той го съхранява в увеличаваща се последователност от версии.
4. Tensorflow модели
- Моделът TensorFlow може да съдържа една или повече TensorFlow Servables. Използва се главно при задачи за машинно обучение, които могат да съдържат повече от един алгоритъм, който съдържа различни тегла според модела, таблиците за търсене, показателите и вгражданията в таблицата.
- Може да се сервира по много различни начини, така че има различни начини за обслужване на търсещата таблица.
5. Tensorflow товарачи
- Tensorflow loader е API, който управлява жизнения цикъл на TensorFlow Servables. Тя осигурява обща инфраструктура за някои от алгоритмите за обучение.
- Основната употреба на товарача на TensorFlow е да зарежда и разтоварва Сервиращи материали, използвайки стандартизирани API API.
6. Източници на Tensorflow
- Източниците работят като модул за приставки. Източникът на Tensorflow прави основното управление на подвижните, като намирането на преносими, предоставя подвижен при заявка.
- Всяка справка може да осигури един или повече подвижни потоци наведнъж. Всеки източник предоставя екземпляр за зареждане за работа с версията на потока. И всеки преносим поток се зарежда на базата на версията.
- Източникът има различни състояния, които могат да бъдат споделени с различни версии и на множество Servables. Също така може да се справи с актуализация или промяна между версиите.
7. Tensorflow Manager
- Мениджърът на Tensorflow управлява жизнения цикъл от край до край.
- Зареждане на преносими, обслужване на преносими, разтоварване на преносими.
- Мениджърът получава отговор от всички надеждни източници и също така следи всички версии на него. Мениджърът може също да откаже или отложи качването.
- Функцията GetServableHandle () предоставя интерфейс, който помага да се справят с управленските неща за TensorFlow Servables.
8. Ядро на Tensorflow
Tensorflow Core съдържа:
- Жизнен цикъл, показатели.
- Сервизното ядро на Tensorflow приема служебни услуги и товарачи.
9. Животът на един подвижен
Цялата процедура е обяснена за това как се използва преносимият и целия жизнен цикъл на преносимите:
- Източник създават товарачи за различни подвижни версии. Клиентската заявка до мениджъра и мениджъра изпрати версията на аспиратора, заредена и обслужвана обратно на клиента.
- Зареждащото устройство съдържа метаданни, които могат да се използват за зареждане на сервизните файлове. Обратното обаждане се използва за уведомяване на мениджъра за версиите за подвижен източник. Мениджърът следва политика на версията, която помага да конфигурирате и да решите какви действия да бъдат необходими по-нататък.
- Мениджърът също така проверява сигурността на товарачите, ако е безопасно, само тогава той ще даде необходимите ресурси на товарача и ще даде разрешение за зареждане на новата версия. Мениджърът предоставя Severable по клиентска заявка или ще поиска изрично конкретна версия или може да поиска директно най-новата версия, след като мениджърът върне дръжка за достъп до подвижния.
- Динамичният мениджър обработва подвижните версии, прилага политиката на версиите и решава дали версията или последната версия трябва да бъдат заредени. Динамичният мениджър разпределя памет на товарача. Зареждащото устройство инициира графиката на TensorFlow и актуализира теглата на графиката TensorFlow.
- Когато клиент поиска сървъра и провери версията, която клиентът изисква, тогава динамичният мениджър връща този манипулатор с поисканата версия на Servable.
10. Дозатор в Tensorflow Architecture
- Групирането е процедура за обработка на няколко заявки в една заявка.
- Използвайки тази процедура, можем да намалим разходите за извършване на заключения, особено за ускоряването на хардуер като GPU, TPU.
- Tensorflow servable съдържа приспособление Batcher, с помощта на тази джаджа клиентите могат лесно да групират своите многобройни специфични заявки за изводи в една партидна заявка. Така че те могат да изпълняват тази процедура ефикасно.
Заключение - TensorFlow Architecture
Tensorflow Architecture представлява децентрализирана система. Той показва как работят различни компоненти и изпълняват своите роли в децентрализирана система. Обслужване по желание на клиента и използване на паралелни многократни операции. Някои от най-добрите функции в архитектурата на TensorFlow са пакетирането на операциите, хардуерното ускорение и динамичните опции на мениджъра, товарачите, източниците, подвижните потоци.
Препоръчителни статии
Това е ръководство за TensorFlow Architecture. Тук обсъждаме Какво е TensorFlow и някои от най-добрите функции в TensorFlow Architecture. Можете да разгледате и другите ни предложени статии, за да научите повече -
- Въведение в Tensorflow с характеристика
- TensorFlow vs Spark | Топ 5 сравнение
- Theano срещу Tensorflow - Топ разлики
- TensorFlow Алтернативи | Топ 11