Che cos'è l'API Tensorflow Estimator?
API di alto livello di TensorFlow per l'addestramento, la valutazione e la previsione dei modelli, semplificando l'apprendimento automatico distribuito senza gestire grafici o sessioni computazionali
Archived. This article has not been updated since the publish date above. The dynamic nature of information means that previously accurate content can become outdated or even obsolete over time. Readers are advised to exercise due diligence and cross-check any information found in this blog post before making decisions or adopting any practices based on said information.
- Astrae i cicli di training, il checkpointing, il training distribuito e l'integrazione con TensorBoard, consentendo agli sviluppatori di concentrarsi sull'architettura del modello piuttosto che sull'infrastruttura.
- Offre stimatori predefiniti come DNNClassifier e LinearRegressor per le attività più comuni, oltre al supporto per stimatori personalizzati tramite funzioni model_fn definite dall'utente.
- Gestisce il training distribuito su CPU, GPU e TPU senza modifiche al codice, sebbene lo sviluppo più recente di TensorFlow preferisca tf.keras e cicli di training personalizzati rispetto agli stimatori.
Che cos'è l'API Tensorflow Estimator?
Gli stimatori rappresentano un modello completo ma, al tempo stesso, appaiono più intuitivi agli utenti meno esperti. L'API Estimator fornisce metodi per addestrare il modello, valutarne l'accuratezza e generare previsioni. TensorFlow offre uno stack di programmazione costituito da diversi livelli di API, come mostrato nell'immagine sottostante.
Esistono due tipi di stimatori: si possono scegliere stimatori predefiniti o, in alternativa, scrivere propri stimatori personalizzati. I modelli basati su stimatori possono essere eseguiti su host locali così come in un ambiente multiserver distribuito, senza cambiare il modello. Inoltre, i modelli basati su stimatori possono essere eseguiti su CPU, GPU o TPU senza dover registrare il modello.
Gli stimatori svolgono quattro funzioni principali:
- Addestramento: addestrano un modello in base a un determinato input per un numero fisso di passaggi.
- Valutazione: valutano il modello in base a una serie di test.
- Previsione: eseguono inferenze utilizzando il modello addestrato.
- Esportazione del modello per serving.
In aggiunta, lo stimatore ha un comportamento standard comune ai lavori di addestramento, ad esempio salva e ripristina punti di controllo (checkpoint), crea sommari ecc. Uno stimatore richiede che l'utente scriva una model_fn e una input_fn che corrispondano alle porzioni di modello e input del grafo di TensorFlow.
Il playbook sull'AI agentiva per l'enterprise
Gli stimatori offrono numerosi vantaggi:
- Semplificano le implementazioni di condivisione fra sviluppatori di modelli.
- Consentono di sviluppare un modello eccellente con codice intuitivo di alto livello, poiché solitamente sono più facili da usare quando si devono creare modelli rispetto alle API di basso livello di TensorFlow.
- Gli stimatori stessi sono basati su tf.keras.layers, agevolando notevolmente la personalizzazione.
- Gli stimatori facilitano il lavoro dell'utente costruendo il grafo per suo conto.
- Gli stimatori mettono a disposizione un ciclo di addestramento distribuito in modo sicuro che consente di controllare come e quando:
- costruire il grafo
- inizializzare le variabili
- caricare i dati
- gestire le eccezioni
- creare file di punti di controllo e ripristinare il sistema in seguito a errori
- salvare sommari per TensorBoard
Risorse aggiuntive
Ricevi gli ultimi articoli nella tua casella di posta
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.