Esta versión optimiza el rendimiento de oneDNN, amplía las funciones de tf.function y mejora el manejo de datos en tf.data. TensorFlow Lite y Keras también reciben actualizaciones, lo que hace que la plataforma sea más eficiente y fácil de usar para tareas de aprendizaje automático.
Estas optimizaciones pueden generar resultados numéricos ligeramente diferentes, pero tienen como objetivo mejorar el rendimiento.
Otra mejora clave es la expansión del sistema de tipos ‘tf.function’. Esta actualización permite un mayor control y flexibilidad al trabajar con funciones de TensorFlow. Introduce ‘tf.types.experimental.TraceType’ para manejar entradas de funciones personalizadas de TensorFlow, ‘tf.types.experimental.FunctionType’ para representar de manera integral firmas de funciones y ‘tf.types.experimental.AtomicFunction’ para cálculos rápidos de TensorFlow en Python.
También se han perfeccionado las capacidades de procesamiento de datos de TensorFlow. La opción ‘warm_start’ se ha movido a ‘tf.data.Options’, simplificando el manejo de datos y ofreciendo más control.
Además, TensorFlow 2.15 introduce correcciones de errores y cambios adicionales. Una adición notable es el TensorFlow Quantizer en el paquete TensorFlow pip, que ayuda a cuantificar modelos. Además, ofrece una opción para hacer que la salida del gradiente de funciones específicas sea escasa en lugar de densa.
TensorFlow Lite
TensorFlow Lite (tf.lite) ha recibido varias actualizaciones, incluida la compatibilidad con la transmisión en ciertas operaciones y la promoción de la clase
tflite::SignatureRunner
, que simplifica el trabajo con parámetros con nombre y cálculos dentro de los modelos TF Lite. Esta mejora elimina su estado experimental.
Mejoras de Keras
Keras, una API de redes neuronales de alto nivel, también recibió actualizaciones, incluidas correcciones de errores, nuevas operaciones en ‘tensorflow.raw_ops’ y la adición del argumento ‘tf.CheckpointOptions’ para ejecutar devoluciones de llamada durante el guardado del punto de control. También hay una opción para controlar el comportamiento del tiempo de ejecución ansioso al ejecutar invocaciones de funciones remotas paralelas.
Relacionado
10 Frameworks que los Desarrolladores de Software deberían Aprender 2024 Bienvenidos desarrolladores web y de software, estamos en los inicios de 2023 y es posible que muchos se esten planteado sus objetivos para lo largo del año. Con anterioridad ya he compartidos las rutas de aprendizaje para un desarrollador front-end, un desarrollador full-stack o un desarrollador back-end entre otros muchos contenidos más. En este artículo, me gustaría compartir algunos de los mejores frameworks y bibliotecas para ¡SEGUIR LEYENDO!
5 Desarrolladores de software de IA de código abierto que debes conocer Las empresas de Inteligencia Artificial tienen una demanda significativa entre el software capaz de entrenar modelos con algoritmos y suficientes datos relevantes. Muchos programas de IA son conocidos por brindar a los programadores y empresas de IA la capacidad de crear aplicaciones inteligentes. Las empresas de IA utilizan software de IA de código abierto para automatizar operaciones repetitivas, desarrollar análisis predictivos, tomar decisiones acertadas, crear interfaces ¡SEGUIR LEYENDO!
5 Principales Bibliotecas de Aprendizaje Profundo para Programadores Conoce algunas de las bibliotecas de aprendizaje profundo más populares. El aprendizaje profundo es el principal contribuyente al avance de la inteligencia artificial en la era digital actual. Debido a que es un subcampo de la inteligencia artificial, los modelos de aprendizaje profundo se utilizan en la mayoría de las tareas y aplicaciones de IA. El aprendizaje profundo funciona de la misma manera que lo hace ¡SEGUIR LEYENDO!
¿Cómo acelerar la creación de prototipos de en proyecto TensorFlow con Intel OpenVINO? La creación de prototipos de proyectos es una de las mejores y más utilizadas técnicas para experimentar con nuevos modelos y funciones de una aplicación / producto recientemente rediseñado a un costo relativamente bajo. La creación de prototipos hace posible que los desarrolladores implementen enfoques alternativos y descubran el más beneficioso y que sea extremadamente útil y rentable si se implementa correctamente. Existen varias herramientas y ¡SEGUIR LEYENDO!
Curso de aprendizaje automático avanzado en Google Cloud Esta especialización de 5 cursos se enfoca en temas avanzados de aprendizaje automático con Google Cloud Platform, donde obtendrá experiencia práctica en la optimización, implementación y escalado de modelos de ML de producción de varios tipos en laboratorios prácticos. Esta especialización continúa donde lo dejó “Aprendizaje automático en GCP” y le enseña cómo crear modelos escalables, precisos y listos para producción para datos estructurados, datos de ¡SEGUIR LEYENDO!
Cursos de Google Cloud Gratis y en Español Google Cloud consiste en un conjunto de recursos físicos, como computadoras y unidades de disco duro y recursos virtuales, como máquinas virtuales (VM) que se encuentran en los centros de datos de Google en todo el mundo, entre otras cosas. ? Cursos Gratis de Servicios en Nube / ?? Cursos Gratis de Tecnología Con los siguientes cursos vas a poder introducirte y aprender a utilizar la ¡SEGUIR LEYENDO!
ExecuTorch y TensorFlow Lite Hace unas semanas, en la conferencia PyTorch, el equipo lanzó ExecuTorch , que es una herramienta que ejecuta modelos de PyTorch en dispositivos como teléfonos inteligentes, dispositivos portátiles y sistemas integrados. Hace cuatro años, PyTorch Mobile se introdujo con un propósito similar, pero ExecuTorch utiliza un tamaño de memoria significativamente más pequeño y una huella de memoria dinámica, lo que resulta en un rendimiento y portabilidad ¡SEGUIR LEYENDO!
