TensorFlow @tensorflowuz

Avgust oyida biz uyushtirgan 7 ta tadbirlar tufayli biz Enthusiastic Members and Hardworking Members mukofotlari sovrindori bo'ldik. Bizning asosiy sahifamiz: meetup.com/tensorflow-uzb… #tensorflow #googledevelopers #tensorflowuzbekistan

Avgust oyida biz uyushtirgan 7 ta tadbirlar tufayli biz Enthusiastic Members and Hardworking Members mukofotlari sovrindori bo'ldik. Bizni kuzatib boring, hozirda TensorFlow darslarini tayyorlash jarayonidamiz. Tez orada o'z sahifalarimizga joylaymiz. meetup.com/tensorflow-uzb…

Umuman olganda, TensorFlow ishlab chiquvchilarning unumdorligi va qoniqishini sezilarli darajada yaxshiladi.

Biz taqsimlangan treningni qo'llab-quvvatlash va qolgan TFX takliflarini birlashtirishga faol sarmoya kiritmoqdamiz. Yuqorida aytib o'tilganidek, jamoalar keras uslubidagi modellashtirish va ishtiyoqli rejimga kirish uchun TensorFlow 2.0 ni qabul qilishni xohlashadi.

Timelines jamoasi TensorFlow dasturini muvaffaqiyatli qabul qilganidan so‘ng, Twitter’dagi har bir mashinani o‘rganish jamoasi 2019-yilda o‘zining oldingi modellarini almashtirish uchun TensorFlowni o‘zlashtirmoqchi.

TensorFlow atrofidagi asboblar to'plami bizning asosiy ML platformamizga chambarchas integratsiyalangan va tengsiz qiymatni ta'minlaydi. TensorFlow ishlab chiqarishda barqaror va ishlash bilan bog'liq muammolarni hal qilish va tuzatish oson.

Ushbu moslashuvchanlik darajasi ilg'or modelerlarga ijodiy bo'lishga imkon beradi, shu bilan birga ML bo'yicha tajriba orttirmoqchi bo'lgan muhandislar uchun qulaydir.

Umuman olganda, bizning muhandislarimiz TensorFlow modellashtirish API-ni eski YAML API-dan afzal ko'rishadi. Kelgusi TensorFlow 2.0 versiyasi bilan Keras asosidagi modellashtirish API-ni qabul qilishni intiqlik bilan kutamiz.

Xulosa TensorFlow (va TensorFlow Extended) ishonchli, kuchli vositalar ekotizimi ekanligini isbotladi va bizning jamoalarimizga foydalanuvchilarga qiymatni tezroq yetkazib berishga imkon berdi.

Ushbu tizim Twitter-da ishlab chiqarishda ishlaydigan eng yirik miqyosli mashina o'rganish dasturlaridan biri bo'lib, yuzlab million faol foydalanuvchilarga xizmat ko'rsatadi va har bir foydalanuvchi uchun minglab tvitlarni to'playdi.

Case Study: TensorFlow yordamida uy vaqt jadvalidagi tvitlarni tartiblash Ushbu bo'lim bizning Torch-dan Tensorflowga ko'chishimizni aniq misol yordamida chuqurroq ko'rib chiqadi: biz Twitter-ning uy vaqt jadvalini tartiblash uchun foydalanadigan mashinani o'rganish tizimi.

Ishlab chiqarish barqarorligi kafolatlari, yaxshi Java APIlari va Google tomonidan katta yordam oxir-oqibat Twitter Lua Torchni TensorFlow bilan almashtirishga qaror qildi.

Va nihoyat, TensorFlowning ekspressivligi va moslashuvchanligi darhol foydalanish holatlarini, tadqiqot ishlarini va hali ixtiro qilinmagan arxitekturalarni qo'llab-quvvatlashga va'da berdi.

TensorFlow keng ko'lamli foydalanish holatlarida jangovar sinovdan o'tgan va tanish tilda mavjud: Python. Shuningdek, u ajoyib Java API-lariga ega edi, bu juda foydali edi, chunki Twitter ishlab chiqarish tizimlari asosan JVM-ga asoslangan.

Bu qiyin qaror edi, chunki TensorFlow yaxshi barqarorlikka ega edi, biroq boshqa tomondan, bizning ichki Torch-ni bajarish dvigatelimiz tajribasi PyTorch-ga yaxshiroq o'tadi (masalan, Torch ham, PyTorch ham THNN-dan foydalanadi).

Biz 2017 yilning oxirida qaror qabul qildik, o‘shanda TensorFlow API barqarorligi kafolatlari bilan 1.0 ishlab chiqarish versiyasida, PyTorch esa hali beta-versiyada edi.

Variantlarni o'rganib chiqqandan so'ng, TensorFlow va PyTorch asrab olish uchun etakchi nomzodlar sifatida ajralib turishdi.

Murakkab o'rnatish tufayli bizda oxirigacha yaxshi profillash vositalari yo'q edi. Bu ishlash va sifat muammolarini tashxislash va tuzatish qiyinlashishiga olib keldi.

Ishlab chiqarish samaradorligi bilan bog'liq muammolarni bartaraf qilish uchun bizga JVM/JNI, Lua va C ishlashini sozlash bo'yicha malakali muhandislar kerak edi.

Bundan tashqari, Torchning keng ko'lamli ishlab chiqarishni qo'llab-quvvatlashi bizning ehtiyojlarimizga javob bermadi. Luadan foydalangan holda, uyda yozilgan JNI ko'priklari orqali JVMlarda ishlaydigan Lua VMlarini o'z ichiga olgan murakkab ishlab chiqarish tizimlari yaratildi.