TensorFlow Model Optimization

Dowiedz się o nowościach w zakresie uczenia maszynowego, generatywnej sztucznej inteligencji i nie tylko na Sympozjum WiML 2023. Zarejestruj się

Ta strona została przetłumaczona przez Cloud Translation API.

Switch to English

Optymalizuj modele uczenia maszynowego

import tensorflow as tf
import tensorflow_model_optimization as tfmot

model = tf.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(...)

TensorFlow Model Optimization Toolkit to zestaw narzędzi do optymalizacji modeli ML pod kątem wdrażania i wykonywania. Wśród wielu zastosowań zestaw narzędzi obsługuje techniki używane do:

Zmniejsz opóźnienia i koszty wnioskowania dla urządzeń w chmurze i brzegowych (np. urządzeń mobilnych, IoT).
Wdrażaj modele na urządzeniach brzegowych z ograniczeniami dotyczącymi przetwarzania, pamięci, zużycia energii, użycia sieci i przestrzeni pamięci modelu.
Włącz wykonywanie i optymalizuj pod kątem istniejącego sprzętu lub nowych akceleratorów specjalnego przeznaczenia.

Wybierz model i narzędzie do optymalizacji w zależności od zadania:

Popraw wydajność dzięki modelom z półki

W wielu przypadkach wstępnie zoptymalizowane modele mogą poprawić wydajność Twojej aplikacji.
Użyj zestawu narzędzi do optymalizacji modelu TensorFlow

Wypróbuj narzędzia poszkoleniowe, aby zoptymalizować przeszkolony już model TensorFlow.
Dalsza optymalizacja

Skorzystaj z narzędzi do optymalizacji czasu szkolenia i poznaj techniki.