بهینه سازی مدل های یادگیری ماشین
import tensorflow as tf import tensorflow_model_optimization as tfmot import tf_keras as keras model = keras.Sequential([...]) pruning_schedule = tfmot.sparsity.keras.PolynomialDecay( initial_sparsity=0.0, final_sparsity=0.5, begin_step=2000, end_step=4000) model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude( model, pruning_schedule=pruning_schedule) ... model_for_pruning.fit(...)
جعبه ابزار بهینه سازی مدل TensorFlow مجموعه ای از ابزارها برای بهینه سازی مدل های ML برای استقرار و اجرا است. در میان بسیاری از کاربردها، جعبه ابزار از تکنیک های مورد استفاده برای موارد زیر پشتیبانی می کند:
- کاهش تأخیر و هزینه استنتاج برای دستگاه های ابری و لبه (مانند تلفن همراه، اینترنت اشیا).
- مدلها را در دستگاههای لبه با محدودیتهایی در پردازش، حافظه، مصرف انرژی، استفاده از شبکه و فضای ذخیرهسازی مدل مستقر کنید.
- فعال کردن اجرا و بهینه سازی سخت افزار موجود یا شتاب دهنده های جدید با هدف خاص.
بسته به وظیفه خود مدل و ابزار بهینه سازی را انتخاب کنید:
-
بهبود عملکرد با مدل های خارج از قفسه
در بسیاری از موارد، مدل های از پیش بهینه شده می توانند کارایی برنامه شما را بهبود بخشند. -
از جعبه ابزار بهینه سازی مدل TensorFlow استفاده کنید
ابزارهای پس از آموزش را برای بهینه سازی یک مدل TensorFlow که قبلاً آموزش دیده اید، امتحان کنید. -
بیشتر بهینه سازی کنید
از ابزارهای بهینه سازی زمان آموزش استفاده کنید و با تکنیک ها آشنا شوید.