Optimiser les modèles de machine learning
import tensorflow as tf import tensorflow_model_optimization as tfmot model = tf.keras.Sequential([...]) pruning_schedule = tfmot.sparsity.keras.PolynomialDecay( initial_sparsity=0.0, final_sparsity=0.5, begin_step=2000, end_step=4000) model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude( model, pruning_schedule=pruning_schedule) ... model_for_pruning.fit(...)
La suite d'outils TensorFlow pour l'optimisation de modèles permet d'apporter des améliorations aux modèles de ML en vue de leur déploiement et de leur exécution. Le kit prend en charge, entre autres, des techniques visant à :
- réduire le temps de latence et les coûts d'inférence pour les appareils cloud ou de périphérie (par exemple, les appareils mobiles ou IoT) ;
- déployer des modèles sur des appareils de périphérie en limitant le traitement, la mémoire, la consommation d'énergie, l'utilisation du réseau et l'espace de stockage du modèle ;
- permettre l'exécution et l'optimisation de matériel existant ou de nouveaux accélérateurs spéciaux.
Choisissez le modèle et l'outil d'optimisation en fonction de votre tâche :
-
Améliorer les performances grâce aux modèles prêts à l'emploi
Dans de nombreux cas, les modèles pré-optimisés peuvent améliorer l'efficacité de votre application. -
Utiliser le kit d'optimisation de modèles TensorFlow
Essayez les outils de post-entraînement pour optimiser un modèle TensorFlow déjà entraîné. -
Optimiser davantage
Utilisez les outils d'optimisation du temps d'entraînement et découvrez les techniques.