Machine Learning : TensorFlow 2.0 dope l’apprentissage machine

La version 2.0 stable de TensorFlow, le framework d’apprentissage machine (ML) rendu open source par Google, est disponible.

« Grâce à une intégration étroite de Keras dans TensorFlow, à l’Eager execution par défaut et à une exécution des fonctions Pythonic, TensorFlow 2.0 rend l’expérience de développement d’applications aussi familière que possible pour les développeurs Python_ », a expliqué l’équipe du projet sur Medium.

Quelles sont les principales améliorations de cette version 2.0 ?

Keras, multi-GPU, TensorFlow.js…

– une intégration renforcée avec l’API Keras pour développer et entraîner des modèles d’apprentissage profond (deep learning) ;
– l’Eager execution par défaut ;
– la standardisation du format de fichier SavedModel « pour exécuter des modèles sur divers runtimes, dans le cloud, le web, les navigateurs, Node.js, les systèmes mobiles et embarqués » ;
– le support du multi-GPU ;
– l’interface de programmation (API) Distribution Strategy pour « distribuer des scénarios d’entraînement avec un minimum de changements dans le code » ;
– une API Dataset pour un accès à différents jeux de données via une interface standard ;
– une ouverture vers les développeurs JavaScript avec TensorFlow.js.

« Nous continuons également à investir dans le langage Swift avec la bibliothèque Swift for TensorFlow », a précisé Laurence Moroney, responsable de la relation développeurs chez Google.

Et d’ajouter : « pour les chercheurs repoussant les limites du machine learning (ML), nous avons beaucoup investi dans l’API de bas niveau de TensorFlow : nous exportons maintenant toutes les opérations utilisées en interne et fournissons des interfaces héritables pour des concepts cruciaux tels que les variables et les points de contrôle. Cela permet [aux développeurs] de construire sur les composants internes de TensorFlow sans avoir à reconstruire TensorFlow. »

L’ensemble sera détaillé lors du TensorFlow World. L’évenement se tiendra du 28 au 31 octobre 2019 à Santa Clara (Californie).

_{(photo via Twitter @TensorFlow)}