本頁麵包含 TensorFlow 詞彙解釋。如需所有詞彙詞彙，請按這裡。
B
批次推論
將推論推論未加上標籤的範例具有小區段 (<細項>) 的預測程序。
批次推論可以運用加速器方塊的平行處理功能。也就是說，多個加速器可以同時預測不同未加標籤範例的預測結果，大幅提高每秒推論次數。
C
Cloud TPU
一種特殊的硬體加速器，用於加速 Google Cloud Platform 上的機器學習工作負載。
D
Dataset API (tf.data)
高階 TensorFlow API，用於讀取資料並轉換為機器學習演算法所需的格式。tf.data.Dataset 物件代表元素序列，每個元素都包含一或多個 Tensors。tf.data.Iterator 物件提供 Dataset 元素的存取權。
如要進一步瞭解 Dataset API，請參閱 TensorFlow 程式設計師指南中的 tf.data：建構 TensorFlow 輸入管道。
裝置
具有以下兩種可能定義的超載字詞：
- 執行 TensorFlow 工作階段的硬體類別，包括 CPU、GPU 和 TPU。
- 使用加速器晶片 (GPU 或 TPU) 訓練機器學習模型時，系統實際上會處理張量和嵌入的系統部分。裝置在加速器晶片上執行。相較之下，主機通常會在 CPU 上執行。
E
Eager Execution
立即執行作業的 TensorFlow 程式設計環境。相反地，在圖表執行中呼叫的作業必須等到明確評估後才會執行。Eager Execution 是命令式介面，與大多數程式設計語言中的程式碼類似。Eager 執行程式通常比圖形執行程式偵錯更簡單。
Estimator
已淘汰的 TensorFlow API。使用 tf.keras，而非 Estimator。
F
特徵工程
這個程序包含以下步驟：
- 判斷哪些功能在訓練模型時相當實用。
- 將資料集的原始資料轉換為這些功能的有效版本。
例如，您可能認為 temperature 是一項實用的功能。接著，您可以實驗值區，將模型從不同 temperature 範圍中學到的內容最佳化。
特徵工程有時也稱為「功能擷取」。
功能規格
說明從 tf.Example 通訊協定緩衝區擷取功能資料所需的資訊。由於 tf.Example 通訊協定緩衝區只是資料容器，您必須指定下列項目：
- 要擷取的資料 (也就是功能鍵)
- 資料類型 (例如浮點或 int)
- 長度 (固定或變數)
G
圖表
在 TensorFlow 中，計算規格。圖表中的節點代表作業。邊緣會指示並表示將運算結果 (Tensor) 做為運算的運算元。使用 TensorBoard 以視覺化方式呈現圖表。
圖表執行
這個 TensorFlow 程式設計環境會先建立一個圖表，然後執行該圖表的所有或部分內容。圖表執行是 TensorFlow 1.x 的預設執行模式。
與Eager Execution 相反。
H
主人
使用加速器方塊 (GPU 或 TPU) 訓練機器學習模型時，控制系統的以下部分：
- 程式碼的整體流程。
- 輸入管道的擷取和轉換方式。
主機通常在 CPU 上執行，而非加速器晶片；裝置會操控加速器晶片上的張量。
L
Layer API (tf.layers)
建構 深度類神經網路做為建構層的 TensorFlow API。Layers API 可讓您建構不同類型的圖層，例如：
- 完全連結層的
tf.layers.Dense。 tf.layers.Conv2D是堆疊層。
Layers API 遵循 Keras 層 API 慣例。也就是說，Layers API 中的所有函式皆採用與 Keras Layers API 中的不同名稱和簽名。
M
網格
在機器學習平行程式設計中，指的是將資料和模型指派給 TPU 晶片的相關字詞，以及定義這些值的資料分割或複製方式。
網格是一種超載字詞，這可能代表下列其中一項：
- TPU 晶片的實體版面配置。
- 一種抽象邏輯結構，可將資料和模型對應至 TPU 方塊。
無論是哪一種情況，網格都會指定為形狀。
指標
您重視的統計資料。
目標是機器學習系統嘗試最佳化的指標。
N
節點 (TensorFlow 圖表)
TensorFlow graph 中的運算。
O
作業 (運算)
在 TensorFlow 中，建立、操控或刪除 Tensor 的任何程序。例如，矩陣乘法運算會使用兩個 Tensor 做為輸入，並產生一個 Tensor 作為輸出。
P
參數伺服器 (PS)
在分散式設定中追蹤模型參數的工作。
Q
待播清單
實作佇列資料結構的 TensorFlow 作業。通常用於 I/O 大會。
(右)
排名 (Tensor)
Tensor 中的維度數量。舉例來說，純量的排名為 0，向量為排名 1，矩陣則為排名 2。
請勿與排名 (正常) 混淆。
根目錄
您指定的目錄，用於託管 TensorFlow 檢查點的子目錄，以及多個模型的事件檔案。
六
SavedModel
建議用於還原及復原 TensorFlow 模型的格式。SavedModel 是語言通用的可復原序列化格式，可讓高層級的系統和工具產生、使用及轉換 TensorFlow 模型。
完整詳情請參閱 TensorFlow 程式設計師指南中的儲存及還原章節。
平價
一個 TensorFlow 物件，負責儲存模型查核點。
資料分割
訓練集或模型的邏輯部門。一般而言，某些程序會將範例或參數分割為 (通常為相同大小的區塊) 來建立資料分割。然後將每個資料分割指派給不同的機器。
資料分割模型稱為模型平行處理，資料分割資料稱為資料平行處理。
摘要
在 TensorFlow 中，會依照特定步驟計算的值或一組值，通常用來在訓練期間追蹤模型指標。
二
Tensor
TensorFlow 程式的主要資料結構。張量是 N 維 (N 可以是非常大) 資料結構，最常見的純量、向量或矩陣。Tensor 元素可以容納整數、浮點或字串值。
TensorBoard
顯示在執行一或多個 TensorFlow 程式執行期間儲存的摘要。
TensorFlow
大規模分散式分散式機器學習平台。「詞彙」一詞也指的是 TensorFlow 堆疊中的基本 API 層，可在 Dataflow 圖形中支援一般運算。
雖然 TensorFlow 主要用於機器學習，但您也可以使用 TensorFlow 透過 Dataflow 圖表執行非數值計算的非機器學習工作。
TensorFlow Playground
以視覺化方式呈現不同超參數對模型 (主要神經網路) 訓練的影響。前往 http://playground.tensorflow.org 嘗試使用 TensorFlow Playground。
TensorFlow 放送
可在實際工作環境中部署已訓練的模型的平台。
Tensor Processing Unit (TPU)
應用程式專屬的整合電路 (ASIC)，可將機器學習工作負載的效能最佳化。這些 ASIC 是在 TPU 裝置上部署為多個 TPU 晶片。
Tensor 排名
請參閱排名 (Tensor)。
張量形狀
Tensor 包含多種維度的元素數量。 舉例來說，[5, 10] Tensor 的形狀是 5，其中一個維度是 10。
張量大小
Tensor 包含的純量總數。舉例來說，[5, 10] Tensor 的大小為 50。
tf.Example
說明標準的機器學習模型通訊協定，用於說明機器學習模型訓練或推論的輸入資料。
tf.keras
與 TensorFlow 整合的 Keras 實作。
TPU
TPU 晶片
可程式化的代數加速器，經過最佳化的高頻寬頻寬記憶體會針對機器學習工作負載進行最佳化。部署於多個 TPU 裝置上的 TPU 晶片。
TPU 裝置
具有多個 TPU 晶片、高頻寬網路介面和系統冷氣硬體的印刷電路板 (PCB)。
TPU 主要執行個體
在主機機器執行的中央協調程序，可以傳送資料、結果、程式、效能和系統健康狀態資訊至 TPU 工作站。TPU 主要執行個體也會管理 TPU 裝置的設定與關機作業。
TPU 節點
Google Cloud Platform 上的 TPU 資源，其中包含特定 TPU 類型。TPU 節點會從對等互連虛擬私有雲網路連線至虛擬私有雲網路。TPU 節點是在 Cloud TPU API 中定義的資源。
TPU Pod
Google 資料中心的TPU 裝置特定設定。TPU Pod 中的所有裝置都透過專屬高速網路相互連線。TPU Pod 是特定 TPU 版本可用的 TPU 裝置最大的設定。
TPU 資源
您在 Google Cloud Platform 中建立、管理或取用的 TPU 實體。舉例來說，TPU node 和 TPU type 都是 TPU 資源。
TPU 配量
TPU 配量是 TPU Pod 中的 TPU 裝置的一部分。TPU 配量中的所有裝置皆透過專用高速網路相互連線。
TPU 類型
一或多個 TPU 裝置，其中包含特定 TPU 硬體版本。在 Google Cloud Platform 中建立 TPU 節點時，請選取 TPU 類型。舉例來說，v2-8 TPU 類型是具有 8 個核心的單一 TPU v2 裝置。v3-2048 TPU 類型有 256 個網路的 TPU v3 裝置，以及 2048 個核心。TPU 類型是 Cloud TPU API 中定義的資源。
TPU 工作站
在主機電腦上執行的程序，並在 TPU 裝置上執行機器學習程式。