TensorFlow.js 1.0

Nel marzo del 2018 il team di TensorFlow, la piattaforma open source dedicata all'apprendimento automatico, presentò al pubblico TensorFlow.js, una nuova libreria dedicata alla definizione, all'addestramento e all'esecuzione di modelli di machine learning direttamente dal browser Web.

TensorFlow.js è stata scritta in JavaScript e offre un API layer di alto livello. Gli ingegneri del progetto reputano il lavoro fatto fino ad oggi un ottimo punto di partenza per iniziare a lavorare sulle applicazioni di machine learning, soprattutto se non si hanno esperienze precedenti. Mentre se se si opera già all'interno tale settore è possibile che TensorFlow.js aiuti lo sviluppatore a migliorare le proprie skill nello sviluppo basato su JavaScript.

Dopo diversi mesi TensorFlow.js ha finalmente raggiunto la sua prima major milestone e proprio in questi giorni è stata pubblicata la versione 1.0. L'annuncio della nuova release è stato dato sul palco del TensorFlow Dev Summit 2019 dove Yannick Assogb, frontend software engineer del progetto, ha descritto i traguardi raggiunti tramite diverse demo. Gli sforzi del team si sono focalizzati sul miglioramento delle performance e sulla stabilizzazione dell'API.

In TensorFlow.js 1.0 sono state implementate diverse novità:

• il Graphs converted di TensorFlow genera dei JSON graphs (model.json). Tutti i protocol buffer graph con estensione .pb sono stati deprecati. È possibile convertire i file .pb in .json tramite il pacchetto pb2json.
• Tensor.buffer è ora diventato async, se si necessità di una sync version ci dovrà rivolgere a Tensor.bufferSync.
• LayersModel.fitDataset da questa release accetterà solo {xs, ys} come dictionary mapping, il [xs, ys] tuple format è stato rimosso.
• Durante la conversione dei modelli con il tensorflowjs pip package invece di tensorflowjs si dovrà ora utilizzare tfjs_layers_model e tfjs_graph_model.

Oltre a queste novità il team ha deciso di deprecare o rinominare diverse feature in modo da renderle più ordinate e facili da implementare. Yannick Assogb ha anche dichiarato che per le prossime release si sta lavorando per introdurre il supporto diretto a Raspberry Pi e per ampliare il bacino di pre-trained model presente in TensorFlow.js.

Via TensorFlow.js