في TensorFlow 2.0، تمت إزالة مفهوم الجلسات لصالح التنفيذ المتلهف، حيث يسمح التنفيذ المتلهف بالتقييم الفوري وتصحيح الأخطاء للعمليات بشكل أسهل، مما يجعل العملية أكثر سهولة وبايثونية. يمثل هذا التغيير تحولًا كبيرًا في كيفية عمل TensorFlow وتفاعله مع المستخدمين.
في TensorFlow 1.x، تم استخدام الجلسات لإنشاء رسم بياني حسابي ثم تنفيذه داخل بيئة الجلسة. كان هذا النهج قويًا ولكنه مرهق في بعض الأحيان، خاصة بالنسبة للمبتدئين والمستخدمين القادمين من خلفية برمجة أكثر إلحاحًا. مع التنفيذ المتحمس، يتم تنفيذ العمليات على الفور، دون الحاجة إلى إنشاء جلسة بشكل صريح.
تعمل إزالة الجلسات على تبسيط سير عمل TensorFlow ومواءمته بشكل أوثق مع برمجة Python القياسية. الآن، يمكن للمستخدمين كتابة وتنفيذ تعليمات TensorFlow البرمجية بطريقة أكثر طبيعية، على غرار الطريقة التي يكتبون بها تعليمات Python العادية. يعمل هذا التغيير على تحسين تجربة المستخدم وتقليل منحنى التعلم للمستخدمين الجدد.
إذا واجهت خطأ AttributeError عند محاولة تشغيل بعض التعليمات البرمجية للتمرين التي تعتمد على الجلسات في TensorFlow 2.0، فذلك يرجع إلى حقيقة أن الجلسات لم تعد مدعومة. لحل هذه المشكلة، تحتاج إلى إعادة بناء التعليمات البرمجية للاستفادة من التنفيذ الدقيق. ومن خلال القيام بذلك، يمكنك التأكد من أن التعليمات البرمجية الخاصة بك متوافقة مع TensorFlow 2.0 والاستفادة من المزايا التي يوفرها التنفيذ المتحمس.
فيما يلي مثال لتوضيح الفرق بين استخدام الجلسات في TensorFlow 1.x والتنفيذ المتحمس في TensorFlow 2.0:
TensorFlow 1.x (باستخدام الجلسات):
python import tensorflow as tf # Build a graph a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) # Create a session and run the graph with tf.Session() as sess: result = sess.run(c) print(result)
TensorFlow 2.0 (باستخدام التنفيذ المتحمس):
python import tensorflow as tf # Enable eager execution tf.config.run_functions_eagerly(True) # Perform operations without the need for a session a = tf.constant(2) b = tf.constant(3) c = tf.add(a, b) print(c)
من خلال تحديث كود التمرين للاستفادة من التنفيذ المتحمس، يمكن للمرء ضمان التوافق مع TensorFlow 2.0 والاستفادة من سير العمل المبسط الخاص به.
تمثل إزالة الجلسات في TensorFlow 2.0 لصالح التنفيذ المتحمس تغييرًا يعزز سهولة الاستخدام وبساطة الإطار. من خلال تبني التنفيذ المتحمس، يمكن للمستخدمين كتابة كود TensorFlow بشكل أكثر طبيعية وكفاءة، مما يؤدي إلى تجربة تطوير تعلم الآلة أكثر سلاسة.
أسئلة وأجوبة أخرى حديثة بخصوص EITC/AI/GCML تعلم الآلة على Google Cloud:
- ما هي القيود المفروضة على العمل مع مجموعات البيانات الكبيرة في التعلم الآلي؟
- هل يمكن للتعلم الآلي تقديم بعض المساعدة الحوارية؟
- ما هو ملعب TensorFlow؟
- ماذا تعني مجموعة البيانات الأكبر في الواقع؟
- ما هي بعض الأمثلة على المعلمات الفائقة للخوارزمية؟
- ما هو التعلم المجمع؟
- ماذا لو لم تكن خوارزمية التعلم الآلي المختارة مناسبة وكيف يمكن التأكد من اختيار الخوارزمية الصحيحة؟
- هل يحتاج نموذج التعلم الآلي إلى الإشراف أثناء التدريب؟
- ما هي المعلمات الأساسية المستخدمة في الخوارزميات القائمة على الشبكة العصبية؟
- ما هو TensorBoard؟
عرض المزيد من الأسئلة والأجوبة في EITC/AI/GCML Google Cloud Machine Learning