הדף הזה מכיל מונחים של TensorFlow. לעיון בכל המונחים של מילון המונחים, לחצו כאן.
B
מסקנות באצווה
תהליך החיזוי של המסקנה במספר דוגמאות ללא תוויות מחולק לקבוצות משנה קטנות יותר ("אצווה").
מסקנות אצווה יכולות למנף את תכונות המקבילות של צ'יפים של Accelerator. כלומר, מספר מאיצים יכולים בו-זמנית להסיק מסקנות בקבוצות שונות של דוגמאות ללא תוויות, וכך להגדיל משמעותית את מספר ההשערות לשנייה.
ג'
Cloud TPU
מאיץ חומרה מיוחד שנועד להאיץ את עומסי העבודה של למידת מכונה ב-Google Cloud Platform.
D
Dataset API (tf.data)
ממשק API ברמה גבוהה מסוג TensorFlow לקריאת נתונים והפיכתם לצורה שנדרשת על ידי אלגוריתם של למידת מכונה.
אובייקט tf.data.Dataset מייצג רצף של רכיבים, שבו כל רכיב מכיל חיישנים אחד או יותר. אובייקט tf.data.Iterator מספק גישה לרכיבים של Dataset.
למידע נוסף על Dataset API, קראו את המאמר tf.data: Build TensorFlow צינורות קלט במדריך של TensorFlow.
device
מונח עמוס מדי עם שתי ההגדרות האפשריות הבאות:
- קטגוריה של חומרה שיכולה להריץ סשן של TensorFlow, כולל מעבדים, מעבדי GPU וTPU.
- כשמאמנים מודל של למידת מכונה על צ'יפים של האצה (GPUs או TPU), החלק במערכת שמניע בפועל טנטורים והטמעות. המכשיר פועל על שבבים להאצה. בניגוד לכך, המארח פועל בדרך כלל במעבד (CPU).
E
ביצוע נלהב
סביבת תכנות של TensorFlow שבה פעולות פועלות באופן מיידי. לעומת זאת, פעולות שמבוצעות בביצוע תרשימים לא מתבצעות עד להערכה מפורשת שלהן. ביצוע נלהב הוא ממשק חיוני, בדומה לקוד ברוב שפות התכנות. בדרך כלל קל יותר לנפות באגים בתוכנות להרצה מהירה, מאשר בתוכניות להרצת תרשימים.
כלי אומדן
TensorFlow API הוצא משימוש. השתמשו ב-tf.keras במקום בבודקים.
F
הנדסת פיצ'רים (feature engineering)
תהליך ההגדרה כולל את השלבים הבאים:
- תוכלו לקבוע אילו תכונות יהיו שימושיות באימון מודל.
- המרת נתונים גולמיים ממערך הנתונים לגרסאות יעילות של התכונות האלה.
לדוגמה, ייתכן שתרצו לקבוע ש-temperature היא תכונה שימושית. לאחר מכן תוכלו להתנסות בקטגוריות כדי לבצע אופטימיזציה של הנתונים שהמודל יכול ללמוד מטווחים שונים של temperature.
הנדסת תכונות נקראת לפעמים חילוץ תכונות.
מפרט פיצ'רים
תיאור המידע הנדרש לחילוץ נתונים של תכונות ממאגר הנתונים הזמני של tf.Example. מכיוון שמאגר הפרוטוקולים tf.Example הוא קונטיינר בלבד של נתונים, עליכם לציין את הפרטים הבאים:
- הנתונים שיש לשלוף (כלומר, המפתחות של התכונות)
- סוג הנתונים (לדוגמה, מספר ממשי (float) או מספר שלם)
- האורך (קבוע או משתנה)
G
גרף
ב-TensorFlow, מפרט חישוב. הצמתים בתרשים מייצגים את הפעולות. הקצוות מופנים ומייצגים את התוצאה של פעולה (Tensor) כפעולה לפעולה אחרת. כדי להציג תרשים, משתמשים ב-TensorBoard.
ביצוע תרשים
סביבת תכנות של TensorFlow שבה התוכנית בונה תחילה תרשים ואז מבצעת את כל התרשים או חלק ממנו. הפעלת תרשים היא מצב ההפעלה המוגדר כברירת מחדל ב-TensorFlow 1.x.
ניגודיות לביצועים של ביצוע נלהב.
H
מארח
אחרי אימון של מודל למידת מכונה בצ'יפים של האצה (GPUs או TPU), החלק במערכת ששולט בשני הרכיבים הבאים:
- התהליך הכללי של הקוד.
- החילוץ והטרנספורמציה של צינור עיבוד הנתונים.
בדרך כלל המארח פועל במעבד (CPU) ולא בצ'יפ של האצה. המכשיר מפעיל את המתחים על הצ'יפים של המאיצים.
L
Layers API (tf.Layers)
ממשק API של TensorFlow ליצירת רשת נוירונים עמוקה כהרכב של שכבות. באמצעות Layers API אפשר ליצור סוגים שונים של שכבות, למשל:
tf.layers.Denseעבור שכבת חיבור מלאה.tf.layers.Conv2Dלשכבה המרה.
ה-Layers API פועל בהתאם למוסכמות ה-API של שכבות Keras. כלומר, מלבד קידומת אחרת, לכל הפונקציות ב-Layers API יש אותם שמות וחתימות ברכיבים המקבילים ב-Keras Layers API.
M
רשת
בתכנות מקבילות בלמידת מכונה, מונח שמשויך להקצאת הנתונים והמודל לצ'יפים של TPU, והגדרה של אופן הפיצול או השכפול של הערכים האלה.
'רשת' היא מונח בעומס יתר שיכול להיות אחד מהסטטוסים הבאים:
- פריסה פיזית של צ'יפים של TPU.
- מבנה לוגי מופשט למיפוי הנתונים והמודל לצ'יפים של TPU.
בכל אחת מהאפשרויות, רשת מציינת צורה.
ערך
נתון סטטיסטי שחשוב לך.
מטרה היא מדד שמערכת למידת המכונה מנסה לבצע אופטימיזציה שלו.
צ'
צומת (תרשים TensorFlow)
פעולה בתרשים של TensorFlow.
O
תפעול (op)
ב-TensorFlow, כל תהליך שיוצר, מתמרן או משמיד Tensor. לדוגמה, הכפלת מטריצות היא פעולה שמעבירה את שני Tensor כקלט ויוצרת טנור אחד כפלט.
P
שרת פרמטרים (PS)
משרה שעוקבת אחרי הפרמטרים של מודל בסביבה מבוזרת.
Q
רשימת סרטונים
פעולה של TensorFlow שמטמיעה מבנה של נתוני תור. בדרך כלל משמש ב-I/O.
ימין
class (Tensor)
מספר המאפיינים בחיישן. לדוגמה, סקאלר הוא בדרגה 0, וקטור מקבל את הדירוג 1 ואת המטריצה מקבלת את הדירוג 2.
אין להתבלבל אחרי דירוג (רגיל).
ספריית בסיס
הספרייה שציינתם לאירוח ספריות משנה של נקודת הביקורת TensorFlow וקובצי האירועים של מספר מודלים.
S
SavedModel
הפורמט המומלץ לשמירה ולשחזור של דגמי TensorFlow. SaveModel הוא פורמט סריאליזציה של שפה ניטרלית וחזרתית, שמאפשר למערכות ולכלים ברמה גבוהה יותר ליצור, לצרוך ולייצר מודלים של TensorFlow.
לפרטים מלאים, עיינו בפרק השמירה והשחזור של מתכנת TensorFlow.
חסכוני
אובייקט TensorFlow האחראי על שמירת נקודות הביקורת של המודל.
פיצול
מחלקה לוגית של קבוצת האימון או של המודל. בדרך כלל חלק מהתהליך יוצר פיצולים על ידי חלוקת הדוגמאות או הפרמטרים למקטעים (בדרך כלל) בגודל שווה. לאחר מכן, כל פיצול מוקצה למכונה אחרת.
פיצול מודל נקרא מקבילות של מודלים. פיצול נתונים נקרא מקבילות נתונים.
סיכום
ב-TensorFlow, ערך או קבוצה של ערכים המחושבים בשלב מסוים, משמש בדרך כלל למעקב אחר מדדי מודל במהלך האימון.
T
טנסור
מבנה הנתונים הראשי בתוכניות TensorFlow. החיישנים הם N-ממדי (כאשר N יכול להיות גדול מאוד) – מבני נתונים, לרוב סקלרים, וקטורים או מטריצות. הרכיבים של Tensor יכולים להכיל ערכים שלמים, נקודות צפות או מחרוזות.
TensorBoard
לוח הבקרה שמציג את הסיכומים שנשמרו במהלך הפעלה של תוכנית TensorFlow אחת או יותר.
TensorFlow
פלטפורמה גדולה ומבוזרת של למידת מכונה. המונח מתייחס גם לשכבת ה-API הבסיסית של סטאק TensorFlow, שתומך בחישוב כללי בתרשימים של זרימת נתונים.
למרות ש-TensorFlow משמשת בעיקר ללמידת מכונה, אפשר להשתמש ב-TensorFlow גם למשימות שאינן למידת מכונה, שמצריכות חישובים מספריים באמצעות תרשימים של זרימת נתונים.
מגרש משחקים של TensorFlow
תוכנית שממחישה איך היפר-פרמטרים שונים משפיעים על אימון המודל (בעיקר ברשתות נוירונים). יש לעבור אל http://playground.tenorflow.org כדי להתנסות ב-TensorFlow Playground.
הגשת TensorFlow
פלטפורמה לפריסת מודלים מאומנים בסביבת ייצור.
יחידת העיבוד של Tensor (TPU)
מעגל משולב ספציפי לאפליקציה (ASIC) שמייעל את הביצועים של עומסי עבודה של למידת מכונה. ה-ASIC הזה נפרס כמספר צ'יפים של TPU במכשיר TPU.
דירוג Tensor
מידע נוסף מופיע בקטע דירוג (חיישן).
צורת הטנסור
מספר הרכיבים שחיישן מכיל במאפיינים שונים. לדוגמה, לרכיב [5, 10] טנור יש 5 מידות במימד אחד ו-10 במימד אחר.
גודל החיישן
המספר הכולל של סקלרים ש-Tenor מכיל. לדוגמה, Tensor [5, 10] בגודל 50.
tf.דוגמה
מאגר אחסון לפרוטוקולים רגיל לתיאור נתוני קלט לאימון או להסקת מודלים של למידת מכונה.
tf.keras
הטמעה של Keras המשולבת עם TensorFlow.
TPU
קיצור של יחידת העיבוד של חיישנים.
צ'יפ של TPU
Accelerator ליניארי בתכנות אלגברה עם זיכרון פס רחב גבוה על שבב, שמתאים לעומסי עבודה של למידת מכונה. מספר צ'יפים של TPU פרוסים במכשיר TPU.
מכשיר TPU
לוח מודפס מודפס (PCB) עם צ'יפים של TPU, ממשקי רשת ברוחב פס גבוה וחומרה של מערכת הקירור.
מאסטר ב-TPU
תהליך התיאום המרכזי פועל במכונה מארחת ששולחת ומקבלת נתונים, תוצאות, תוכניות, ביצועים ומידע על תקינות המערכת לעובדי TPU. האדמין של TPU מנהל גם את ההגדרה והכיבוי של מכשירי TPU.
צומת TPU
משאב TPU ב-Google Cloud Platform עם סוג TPU ספציפי. צומת ה-TPU מתחבר לרשת ה-VPC מרשת VPC משותפת. צמתים של TPU הם משאב שמוגדר ב-Cloud TPU API.
TPU Pod
הגדרה ספציפית של מכשירי TPU במרכז נתונים של Google. כל המכשירים ב-TPU מחוברים זה לזה דרך רשת ייעודית במהירות גבוהה. TPU Pod הוא התצורה הגדולה ביותר של מכשירי TPU שזמינים לגרסת TPU ספציפית.
משאב TPU
ישות מסוג TPU ב-Google Cloud Platform שאתם יוצרים, מנהלים או צורכים. לדוגמה, צמתים של TPU וסוגי TPU הם משאבים של TPU.
פלח TPU
פלח TPU הוא חלק עשרוני של מכשירי TPU ב-TPU Pod. כל המכשירים בפלח TPU מחוברים זה לזה ברשת ייעודית במהירות גבוהה.
סוג TPU
הגדרה של מכשירי TPU אחד או יותר, עם גרסה ספציפית של חומרת TPU. בוחרים סוג TPU כשיוצרים צומת TPU ב-Google Cloud Platform. לדוגמה, סוג v2-8 של TPU הוא מכשיר TPU v2 יחיד עם 8 ליבות. לסוג TPU של v3-2048 יש 256 מכשירי TPU v3 עם חיבור לרשת וסה"כ 2048 ליבות. סוגי ה-TPU הם משאב שמוגדר ב-Cloud TPU API.
עובד של TPU
תהליך שפועל במכונה מארחת ומפעיל תוכניות של למידת מכונה במכשירי TPU.