TensorFlow 2.0: integrazione con Keras

Le novità di TensorFlow 2.0, nuova versione della libreria di Google per il machine learning.

Il team di Google ha rilasciato la versione stabile di TensorFlow 2.0, ultimo aggiornamento della nota libreria open source per il machine learning. La nuova major release introduce una serie di novità pensate per rendere l’uso della libreria più semplice.

Integrazione della Keras API specification

Gli ingegneri del progetto hanno dichiarato che lo sviluppo di TensorFlow 2.0 è stato guidato dai feedback arrivati dalla community di utenti. Ecco perché si è deciso di inserire all’interno di questa build l’integrazione completa con le Keras API specification.

Gli sviluppatori hanno quindi implementando tf.keras ovvero una nuova high-level API dedicata alla costruzione e all’addestramento dei deep learning model.

Keras è stata pensata per il fast prototyping e dispone di tre caratteristiche chiave:

  • User-friendly: fornisce delle chiare e semplici;
  • Modulare: i Keras model sono stati concepiti per essere connessi tra di loro senza troppe restrizioni;
  • Facile da estendere: Kares permette di scrivere nuovi building block personalizzati, layer, metriche, loss function e di sviluppare modelli in modo molto semplice.

Eager execution

In TensorFlow 2.0 è arrivato anche il supporto alla Eager execution, si tratta di un imperative programming environment con cui è possibile valutare le operation in tempo reale, senza la necessità di realizzare computational graph.

Eager execution si presenta quindi come una machine learning platform flessibile dedicata alla ricerca e alla sperimentazione con grandi capacità di debugging ed un’interfaccia intuitiva.

Il nuovo SavedModel format

Per eseguire modelli su una grande varietà di runtime il team di TensorFlow ha deciso di standardizzare il SavedModel file format.

Questa scelta permette di eseguire i vari modelli tramite TensorFlow e successivamente eseguire il deploy con TensorFlow Serving. Gli sviluppatori di terze parti potranno ad esempio usare i propri modelli su sistemi mobile/embedded con TensorFlow Lite e successivamente addestrarli in un browser, o tramite Node.js, con TensorFlow.js.

Distribution Strategy API

TensorFlow 2.0 beneficia delle Distribution Strategy API. Tali set di librerie vengono sfruttate nei contesti di high-performance training per distribuire i dati dell’addestramento senza la necessità di modificare eccessivamente il codice del proprio modello. Queste API dispongono anche del supporto al distributed training con i Keras Model.

Via Medium