[vc_row][vc_column][vc_column_text]»Cuando TensorFlow paso a ser de código abierto, teníamos la esperanza de crear una plataforma de machine learning para todo el mundo», dijo Jeff Dean en la primera cumbre anual de desarrolladores de TensorFlow. Este objetivo se logro muy bien: TensorFlow es innegablemente el proyecto de Machine Learning más popular de GitHub con más de 77,000 estrellas.
A continuación algunas de sus características.[/vc_column_text][/vc_column][vc_column][vc_single_image image=»1787″ img_size=»full» alignment=»center»][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Keras
Uno de los cambios principales en la versión 1.4 es la adición de la popular librería de machine learning Keras. Keras será parte del paquete central tf.keras. Un API de alto nivel significa que el tiempo entre sus ideas y la implementación son mínimos. También se integra sin problemas con otras API de TensorFlow, incluida la API Estimator. Desde que Keras es parte de la parte principal de TensorFlow, se puede confiar en los flujos de trabajo de producción.
Para empezar con Keras:
- Una rápida introducción a Keras
- Guía para el modelo secuencial de Keras
- Guía para el modelo funcional de Keras
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Datasets
Esta es otro API que ha sido manejado para ser parte del paquete central: tf.data. La API Dataset ha sido promocionada a la versión 1.4 con soporte adicional para generadores de Python.
En el futuro, el equipo de TensorFlow recomienda el uso del API Dataset para la creación de fuentes de ingreso de datos para los modelos de TensorFlow. ¿Por qué? Esta proporciona mucha más funcionalidad que otras fuentes de ingreso antiguas feed_dic o la fuente de datos queue_based. Es también mejor en rendimiento, así como más limpio y fácil de utilizar.
En forma adicional, el equipo de TensorFlow ha dejado claro que se están enfocando en la API Dataset para futuros desarrollos, en lugar de poner en marcha otras API más antiguas.
A continuación más información de lo que necesita saber sobre Dataset:
- Una introducción a Datasets y TensorFlow Estimators
- Importación de Data un capítulo de la guía para programadores de TensorFlow
- Presentación y nota de los expositores relacionadas al API Dataset.
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Corrección de errores, cambios y problemas conocidos
No hay una actualización sin al menos un error. A continuación presentamos algunas de las más relevantes, pero puede revisar el detalle de las actualizaciones para ver el total de los cambios.
Corrección de errores
- Las opciones por defecto para construir incluyen el sistema de archivos Google Cloud Storage, el sistema de archivos Amazon S3 y el sistema de archivos Hadoop.
- Las librerías op opcionales deben enlazarse con libtensorflow_framework.so (instalado en tf.sysconfig.get_lib()).
- tf.nn.rnn_cell.DropoutWrapper es ahora más cuidadoso al intercambiar los estados de LSTM. Específicamente, ya nunca pierde el estado c(memoria) de un LSTMStateTuple. Esta corrección de errores sigue las recomendaciones de la literatura publicada, pero es un cambio de comportamiento. El comportamiento de abandono del estado se puede personalizar a través del nuevo argumento dropout_state_filter_visitor.
Cambios
- La firma de la función tf.contrib.data.rejection_resample() ha sido modificada. Ahora devuelve una función que se puede usar como argumento para Dataset.apply().
- Elimine el método tf.contrib.data.Iterator.from_dataset(). En su lugar utilice Dataset.make_initializable_iterator().
- Eliminar el poco utilizado e innecesario tf.contrib.data.Iterator.dispose_op().
Problemas conocidos
- Dataset.from_generator() no soporta cadenas Unicode en Python 3. Se requiere convertir cualquier cadena en objetos bytes antes de ingresarlos al generador.
[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][vc_column_text]
Instalación de TensorFlow 1.4
La versión de TensorFlow 1.4 ahora se puede instalar mediante pip. También la puede encontrar en GitHub y en el sitio web de TensorFlow.[/vc_column_text][/vc_column][/vc_row]
