ภาพรวมสวนจำลอง

TensorFlow Model Garden นำเสนอการใช้งานโมเดลแมชชีนเลิร์นนิง (ML) ที่ล้ำสมัยมากมายสำหรับการมองเห็นและการประมวลผลภาษาธรรมชาติ (NLP) รวมถึงเครื่องมือเวิร์กโฟลว์เพื่อให้คุณกำหนดค่าและเรียกใช้โมเดลเหล่านั้นบนชุดข้อมูลมาตรฐานได้อย่างรวดเร็ว ไม่ว่าคุณกำลังมองหาเกณฑ์มาตรฐานประสิทธิภาพสำหรับโมเดลที่มีชื่อเสียง ตรวจสอบผลการวิจัยที่เพิ่งเปิดตัว หรือขยายโมเดลที่มีอยู่ Model Garden สามารถช่วยคุณขับเคลื่อนการวิจัย ML และแอปพลิเคชันของคุณไปข้างหน้า

Model Garden มีแหล่งข้อมูลต่อไปนี้สำหรับนักพัฒนาการเรียนรู้ของเครื่อง:

• โมเดลอย่างเป็นทางการ สำหรับการมองเห็นและ NLP ดูแลโดยวิศวกรของ Google
• แบบจำลองการวิจัย ที่เผยแพร่เป็นส่วนหนึ่งของเอกสารการวิจัย ML
• กรอบการทดลองการฝึกอบรม สำหรับการกำหนดค่าการฝึกอบรมที่รวดเร็วและชัดเจนของแบบจำลองอย่างเป็นทางการ
• การดำเนินงาน ML เฉพาะ ทางสำหรับการมองเห็นและการประมวลผลภาษาธรรมชาติ (NLP)
• การจัดการ ลูปการฝึกอบรมแบบจำลอง ด้วย Orbit

ทรัพยากรเหล่านี้สร้างขึ้นเพื่อใช้กับเฟรมเวิร์ก TensorFlow Core และรวมเข้ากับโครงการพัฒนา TensorFlow ที่คุณมีอยู่ นอกจากนี้ แหล่งข้อมูล Model Garden ยังอยู่ภายใต้ใบอนุญาต แบบโอเพ่นซอร์ส ดังนั้นคุณจึงสามารถขยายและแจกจ่ายแบบจำลองและเครื่องมือได้อย่างอิสระ

โมเดล ML ที่ใช้งานได้จริงนั้นต้องใช้การคำนวณอย่างมากในการฝึกและเรียกใช้ และอาจต้องใช้ตัวเร่ง เช่น หน่วยประมวลผลกราฟิก (GPU) และหน่วยประมวลผลเทนเซอร์ (TPU) โมเดลส่วนใหญ่ใน Model Garden ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลขนาดใหญ่โดยใช้ TPU อย่างไรก็ตาม คุณยังสามารถฝึกและเรียกใช้โมเดลเหล่านี้บนตัวประมวลผล GPU และ CPU

โมเดลสวนจำลอง

โมเดลแมชชีนเลิร์นนิงใน Model Garden มีโค้ดแบบเต็มเพื่อให้คุณสามารถทดสอบ ฝึก หรือฝึกซ้ำสำหรับการวิจัยและการทดลอง Model Garden ประกอบด้วยแบบจำลองหลัก 2 ประเภท ได้แก่ แบบจำลองที่ เป็นทางการ และ แบบจำลองการวิจัย

โมเดลอย่างเป็นทางการ

พื้นที่เก็บข้อมูล Official Models คือคอลเลกชันของโมเดลล้ำสมัย โดยเน้นไปที่การมองเห็นและการประมวลผลภาษาธรรมชาติ (NLP) โมเดลเหล่านี้ใช้งานโดยใช้ API ระดับสูงของ TensorFlow 2.x ในปัจจุบัน ไลบรารีโมเดลในที่เก็บนี้ได้รับการปรับให้เหมาะสมเพื่อประสิทธิภาพที่รวดเร็วและดูแลโดยวิศวกรของ Google แบบจำลองที่เป็นทางการประกอบด้วยข้อมูลเมตาเพิ่มเติมที่คุณสามารถใช้เพื่อกำหนดค่าการทดสอบอย่างรวดเร็วโดยใช้ เฟรมเวิร์กการทดสอบการฝึกอบรม Model Garden

แบบจำลองการวิจัย

ที่เก็บแบบจำลองการ วิจัย คือชุดของแบบจำลองที่เผยแพร่เป็นทรัพยากรรหัสสำหรับเอกสารการวิจัย โมเดลเหล่านี้ใช้งานทั้ง TensorFlow 1.x และ 2.x ไลบรารีแบบจำลองในโฟลเดอร์การวิจัยได้รับการสนับสนุนโดยเจ้าของรหัสและชุมชนการวิจัย

กรอบการทดลองฝึก

เฟรมเวิร์กการทดลองการฝึกอบรม Model Garden ช่วยให้คุณรวบรวมและดำเนินการทดสอบการฝึกอบรมได้อย่างรวดเร็วโดยใช้โมเดลที่เป็นทางการและชุดข้อมูลมาตรฐาน กรอบการฝึกอบรมใช้ข้อมูลเมตาเพิ่มเติมที่รวมอยู่ในโมเดลอย่างเป็นทางการของ Model Garden เพื่อให้คุณสามารถกำหนดค่าโมเดลได้อย่างรวดเร็วโดยใช้โมเดลการเขียนโปรแกรมแบบประกาศ คุณสามารถกำหนดการทดสอบการฝึกโดยใช้คำสั่ง Python ใน ไลบรารี TensorFlow Model หรือกำหนดค่าการฝึกโดยใช้ไฟล์คอนฟิกูเรชัน YAML เช่น ตัวอย่าง นี้

กรอบการฝึกอบรมใช้ tfm.core.base_trainer.ExperimentConfig เป็นวัตถุการกำหนดค่า ซึ่งมีวัตถุการกำหนดค่าระดับบนสุดต่อไปนี้:

• runtime : กำหนดฮาร์ดแวร์การประมวลผล กลยุทธ์การกระจาย และการเพิ่มประสิทธิภาพอื่นๆ
• task : กำหนดโมเดล ข้อมูลการฝึก ความสูญเสีย และการเริ่มต้น
• trainer : กำหนดเครื่องมือเพิ่มประสิทธิภาพ ลูปการฝึก ลูปการประเมิน สรุป และจุดตรวจสอบ

สำหรับตัวอย่างที่สมบูรณ์โดยใช้เฟรมเวิร์กการทดลองการฝึกอบรม Model Garden โปรดดูบทช่วยสอนการ จัดประเภทรูปภาพด้วย Model Garden สำหรับข้อมูลเกี่ยวกับเฟรมเวิร์กการทดสอบการฝึกอบรม โปรดดู เอกสาร TensorFlow Models API หากคุณกำลังมองหาวิธีแก้ปัญหาในการจัดการลูปการฝึกสำหรับการทดสอบการฝึกโมเดล โปรดดูที่ Orbit

การดำเนินงาน ML เฉพาะทาง

Model Garden ประกอบด้วยวิสัยทัศน์และการดำเนินการ NLP มากมายที่ออกแบบมาโดยเฉพาะเพื่อดำเนินการโมเดลล้ำสมัยที่ทำงานบน GPU และ TPU อย่างมีประสิทธิภาพ ตรวจสอบเอกสาร API ไลบรารี TensorFlow Models Vision เพื่อดูรายการ การดำเนินการเกี่ยวกับการมองเห็น เฉพาะ ตรวจสอบเอกสาร TensorFlow Models NLP Library API สำหรับรายการ การดำเนินการ NLP ไลบรารีเหล่านี้ยังมีฟังก์ชันยูทิลิตี้เพิ่มเติมที่ใช้สำหรับการมองเห็นและการประมวลผลข้อมูล NLP การฝึกอบรม และการดำเนินการแบบจำลอง

ลูปการฝึกอบรมกับ Orbit

มีสองตัวเลือกเริ่มต้นสำหรับการฝึกโมเดล TensorFlow:

• ใช้ฟังก์ชัน Keras Model.fit ระดับสูง หากแบบจำลองและขั้นตอนการฝึกอบรมของคุณเหมาะสมกับสมมติฐานของ Keras ' Model.fit (การไล่ระดับสีที่เพิ่มขึ้นในชุดข้อมูล) วิธีนี้จะสะดวกมาก
• เขียนลูปการฝึกอบรมที่กำหนดเอง ด้วย keras หรือ ไม่มี ก็ได้ คุณสามารถเขียนลูปการฝึกแบบกำหนดเองด้วยเมธอด TensorFlow ระดับต่ำ เช่น tf.GradientTape หรือ tf.function อย่างไรก็ตาม แนวทางนี้ต้องการโค้ดต้นแบบจำนวนมาก และไม่ได้ทำสิ่งใดเพื่อทำให้การฝึกอบรมแบบกระจายง่ายขึ้น

วงโคจรพยายามให้ตัวเลือกที่สามระหว่างสุดขั้วทั้งสองนี้

Orbit เป็นไลบรารีที่ยืดหยุ่นและมีน้ำหนักเบาซึ่งออกแบบมาเพื่อให้เขียนลูปการฝึกแบบกำหนดเองใน TensorFlow 2.x ได้ง่ายขึ้น และทำงานได้ดีกับ เฟรมเวิร์กการทดลองการฝึก Model Garden Orbit จัดการงานฝึกโมเดลทั่วไป เช่น การบันทึกจุดตรวจ เรียกใช้การประเมินโมเดล และตั้งค่าการเขียนสรุป ทำงานร่วมกับ tf.distribute ได้อย่างราบรื่นและรองรับการทำงานบนอุปกรณ์ประเภทต่างๆ รวมถึง CPU, GPU และฮาร์ดแวร์ TPU นอกจากนี้ เครื่องมือ Orbit ยังเป็น โอเพ่นซอร์ส คุณจึงสามารถขยายและปรับให้เข้ากับความต้องการในการฝึกอบรมโมเดลของคุณได้

คู่มือ Orbit มีอยู่ ที่นี่