Вступ до TensorFlow
У цій статті ми побачимо контур про TensorFlow Architecture. TensorFlow - це бібліотека між платформами, і є деякі загальні поняття, такі як операції, сеанси та графіки обчислень. Завдяки TensorFlow Serving нові алгоритми та експерименти легко розгортати, зберігаючи ту ж архітектуру бази даних та API.
Що таке архітектура Tensorflow?
Tensorflow - це широко використовувана бібліотека глибокого навчання, яка створена командою мозку Google, яка працювала над штучним інтелектом. Він був розроблений таким чином, що він може використовуватися на декількох процесорах, графічних процесорах, а також може працювати на мобільних пристроях і підтримує різні класи обгортання, такі як python, C ++ або Java та Tensors, які є об'єктами, що описують лінійне відношення між векторами, скалярами та іншими тензорами .
Тензори - це не що інше, як багатовимірні масиви. Для розуміння архітектури та особливостей TensorFlow спочатку нам потрібно зрозуміти деякі терміни.
- Сервіси з тензорфлоу
- Службові версії
- Службові потоки
- Модель Tensorflow
- Навантажувачі Tensorflow
- Джерела Тенсдорфлоу
- Tensorflow Manager
- Tensorflow Core
- Життя надійного
- Дозатор в архітектурі Tensorflow
1. Тензорфлові сервісні матеріали
- Tensorflow Servables - це звичайні об'єкти, які в основному використовуються для обчислення. Розмір портативного TensorFlow дуже гнучкий. Сервісні товари є центральними незавершеними блоками в сервіровці TensorFlow.
- Портативний пристрій може містити все, що завгодно, він може містити кортежі, таблиці пошуку. Об'єкти, що зберігаються, можуть бути будь-якого типу та будь-якого інтерфейсу, через ці функції дуже гнучко та легко робити майбутні вдосконалення, такі як асинхронні режими операцій, результати потокового потоку та експериментальні API.
2. Службові версії
- Службові версії використовуються для підтримки версій TensorFlow, що підтримуються. Він може працювати з однією або декількома версіями Серверів. Це може допомогти налаштувати нові алгоритми, обробляти ваги та інші зміни, можна завантажувати дані.
- Він також може змінювати та керувати версіями, включати декілька версій, що підтримуються одночасно.
3. Службові потоки
Це колекція різних версій Servables. Він зберігає його у збільшенні послідовності версій.
4. Моделі Тенсдорфлоу
- Модель TensorFlow може містити одну або кілька серверів TensorFlow. В основному він використовується в завданнях машинного навчання, який може містити більше одного алгоритму, який містить різні ваги відповідно до моделі, таблиці пошуку, метрики та вбудовування таблиць.
- Її можна подавати різними способами, так що існують різні способи обслуговування таблиці пошуку.
5. Навантажувачі Tensorflow
- Tensorflow loader - це API, який управляє життєвим циклом TensorFlow Servables. Він забезпечує загальну інфраструктуру для деяких алгоритмів навчання.
- Основне використання навантажувача TensorFlow - це завантаження та вивантаження Серверів за допомогою стандартизованих API завантажувачів.
6. Джерела Тенсдорфлоу
- Джерела працюють як модуль плагінів. Джерело Tensorflow виконує основну обробку рухомих, як і знаходження рухомих, і надає їх на запит.
- Кожна посилання може одночасно забезпечувати один або декілька зручних потоків. Кожне джерело надає екземпляр завантажувача для обробки версії потоку. І кожен портативний потік завантажується на основі версії.
- Джерело має різні стани, якими можна ділитися з різними версіями та на декількох серверах. Може також обробляти оновлення або змінювати між версіями.
7. Tensorflow Manager
- Менеджер Tensorflow обробляє цілісний цикл зручного користування.
- Завантажувальний сервіс, сервірувальний сервіс, вивантажувальний сервіс.
- Менеджер отримує відповідь з усіх надійних джерел, а також контролює всю його версію. Менеджер також може відмовити або відкласти завантаження.
- Функція GetServableHandle () надає інтерфейс, який допомагає керувати управлінськими речами щодо сервісів TensorFlow.
8. Ядро Тенсдорфлоу
Ядро Tensorflow містить:
- Життєвий цикл, метрики.
- Серцевинне ядро Tensorflow приймає послугу та навантажувачі як об'єкт.
9. Життя переносного
Уся процедура пояснюється тим, як використовується портативний сервіс і весь життєвий цикл рухомих:
- Джерело створюють навантажувачі для різних версій, що працюють. Клієнтський запит до менеджера та менеджера надсилає завантажувачу завантажену версію, завантажують та обслуговують клієнта.
- Навантажувач містить метадані, які можна використовувати для завантаження Серверів. Зворотний виклик використовується для сповіщення менеджера про версії версій, що надаються. Менеджер дотримується політики версій, яка допомагає налаштувати та вирішити, які дії потрібно буде далі.
- Менеджер також перевіряє безпеку навантажувачів, якщо це безпечно, то тільки він дасть необхідні ресурси завантажувачу і дасть дозвіл на завантаження нової версії. За запитом клієнта менеджер надає Severrable, або він запитає конкретну версію явно, або може запросити пряму останню версію після того, як цей менеджер поверне ручку для доступу до сервіруемой версії.
- Динамічний менеджер обробляє зручні версії, застосовує політику версій і вирішує, що версію чи останню версію потрібно завантажити. Динамічний менеджер виділяє пам'ять завантажувачу. Навантажувач ініціює графік TensorFlow та оновлює ваги графіка TensorFlow.
- Коли клієнт запитує серверний сервер і перевіряє версію, яку клієнт запитує, динамічний менеджер повертає цей обробник із запитаною версією Servable.
10. Дозатор в архітектурі Тенсдорфлоу
- Групування - це процедура обробки декількох запитів в один запит.
- Використовуючи цю процедуру, ми можемо зменшити витрати на виконання висновків, особливо прискорення обладнання, такого як GPU, TPU.
- Tensorflow servable містить віджет Batcher, за допомогою цього віджета клієнти можуть легко з'єднати свої декілька конкретних запитів на висновки в один пакетний запит. Тож вони можуть ефективно запустити цю процедуру.
Висновок - TensorFlow Architecture
Tensorflow Architecture являє собою децентралізовану систему. Він показує, як працюють різні компоненти і виконують свої ролі в децентралізованій системі. Обслуговування за бажанням клієнта та використання пакетної безлічі операцій паралельно. Одні з найкращих функцій архітектури TensorFlow - це обробка операцій, прискорення обладнання та динамічні параметри менеджера, навантажувачі, джерела, сервісні потоки.
Рекомендовані статті
Це посібник з архітектури TensorFlow. Тут ми обговорюємо, що таке TensorFlow та деякі найкращі функції архітектури TensorFlow. Ви також можете ознайомитися з іншими запропонованими нами статтями, щоб дізнатися більше -
- Вступ до Тенсдорфлоу з Характерним
- TensorFlow vs Spark | Топ-5 Порівняння
- Теано проти Тенсдорфлоу - Найкращі відмінності
- TensorFlow Альтернативи | Топ 11