এই নথিটি এমন ব্যবহারকারীদের জন্য যাদের TensorFlow-এর বিভিন্ন সংস্করণে (কোড বা ডেটার জন্য হয়) পিছনের দিকে সামঞ্জস্যের প্রয়োজন, এবং ডেভেলপারদের জন্য যারা সামঞ্জস্য রক্ষা করার সময় TensorFlow পরিবর্তন করতে চান।
শব্দার্থিক সংস্করণ 2.0
TensorFlow তার পাবলিক API-এর জন্য শব্দার্থিক সংস্করণ 2.0 ( semver ) অনুসরণ করে। TensorFlow-এর প্রতিটি রিলিজ সংস্করণের MAJOR.MINOR.PATCH
ফর্ম রয়েছে। উদাহরণস্বরূপ, TensorFlow সংস্করণ 1.2.3 এর MAJOR
সংস্করণ 1, MINOR
সংস্করণ 2 এবং PATCH
সংস্করণ 3 রয়েছে। প্রতিটি সংখ্যার পরিবর্তনের নিম্নলিখিত অর্থ রয়েছে:
প্রধান : সম্ভাব্য পিছনের দিকে বেমানান পরিবর্তন। আগের বড় রিলিজের সাথে কাজ করা কোড এবং ডেটা অগত্যা নতুন রিলিজের সাথে কাজ করবে না। যাইহোক, কিছু ক্ষেত্রে বিদ্যমান টেনসরফ্লো গ্রাফ এবং চেকপয়েন্টগুলি নতুন রিলিজে স্থানান্তরযোগ্য হতে পারে; ডেটা সামঞ্জস্যের বিশদ বিবরণের জন্য গ্রাফ এবং চেকপয়েন্টগুলির সামঞ্জস্যতা দেখুন।
MINOR : পিছনের দিকে সামঞ্জস্যপূর্ণ বৈশিষ্ট্য, গতির উন্নতি, ইত্যাদি। কোড এবং ডেটা যা পূর্ববর্তী একটি ছোট রিলিজের সাথে কাজ করেছিল এবং যা শুধুমাত্র অ-পরীক্ষামূলক পাবলিক API-এর উপর নির্ভর করে অপরিবর্তিতভাবে কাজ করতে থাকবে। পাবলিক API কী এবং কী নয় তার বিশদ বিবরণের জন্য, কী কভার করা হয়েছে তা দেখুন।
প্যাচ : পিছনের দিকে সামঞ্জস্যপূর্ণ বাগ ফিক্স।
উদাহরণস্বরূপ, রিলিজ 1.0.0 রিলিজ 0.12.1 থেকে পিছনের দিকে বেমানান পরিবর্তন প্রবর্তন করেছে। যাইহোক, রিলিজ 1.1.1 রিলিজ 1.0.0 এর সাথে পিছনের দিকে সামঞ্জস্যপূর্ণ ছিল।
আচ্ছাদিত কি
শুধুমাত্র TensorFlow-এর সর্বজনীন APIগুলি ছোট এবং প্যাচ সংস্করণগুলিতে পিছনের দিকে সামঞ্জস্যপূর্ণ। পাবলিক API গুলি নিয়ে গঠিত
tensorflow
মডিউল এবং এর সাবমডিউলের সমস্ত নথিভুক্ত পাইথন ফাংশন এবং ক্লাসগুলি ছাড়া- ব্যক্তিগত চিহ্ন: যে কোনো ফাংশন, শ্রেণী ইত্যাদি, যার নাম
_
দিয়ে শুরু হয় - পরীক্ষামূলক এবং
tf.contrib
চিহ্ন, বিস্তারিত জানার জন্য নিচে দেখুন।
উল্লেখ্য যে
examples/
এবংtools/
ডিরেক্টরিরtensorflow
পাইথন মডিউলের মাধ্যমে পৌঁছানো যায় না এবং এইভাবে সামঞ্জস্যের গ্যারান্টি দ্বারা আচ্ছাদিত হয় না।যদি
tensorflow
পাইথন মডিউল বা এর সাবমডিউলগুলির মাধ্যমে একটি প্রতীক পাওয়া যায়, কিন্তু নথিভুক্ত না হয়, তাহলে এটি সর্বজনীন API-এর অংশ হিসাবে বিবেচিত হয় না ।- ব্যক্তিগত চিহ্ন: যে কোনো ফাংশন, শ্রেণী ইত্যাদি, যার নাম
সামঞ্জস্য API (পাইথনে,
tf.compat
মডিউল)। প্রধান সংস্করণগুলিতে, আমরা ব্যবহারকারীদের একটি নতুন প্রধান সংস্করণে রূপান্তরিত করতে সহায়তা করার জন্য ইউটিলিটি এবং অতিরিক্ত শেষ পয়েন্ট প্রকাশ করতে পারি। এই API চিহ্নগুলি অবহেলিত এবং সমর্থিত নয় (অর্থাৎ, আমরা কোনও বৈশিষ্ট্য যোগ করব না, এবং আমরা দুর্বলতাগুলি ঠিক করা ছাড়া অন্য বাগগুলি ঠিক করব না), তবে সেগুলি আমাদের সামঞ্জস্যতার গ্যারান্টিগুলির অধীনে পড়ে৷সি এপিআই ।
নিম্নলিখিত প্রোটোকল বাফার ফাইল:
যা কভার করা হয় না
TensorFlow-এর কিছু অংশ যে কোনো সময়ে পশ্চাৎমুখী বেমানান উপায়ে পরিবর্তিত হতে পারে। এর মধ্যে রয়েছে:
পরীক্ষামূলক API : উন্নয়নের সুবিধার্থে, আমরা সামঞ্জস্যের গ্যারান্টি থেকে পরীক্ষামূলক হিসেবে চিহ্নিত কিছু API চিহ্নকে ছাড় দিয়েছি। বিশেষ করে, নিম্নলিখিতগুলি কোনও সামঞ্জস্যতার গ্যারান্টি দ্বারা আচ্ছাদিত নয়:
-
tf.contrib
মডিউল বা এর সাবমডিউলের যেকোনো প্রতীক; - যে কোনো চিহ্ন (মডিউল, ফাংশন, আর্গুমেন্ট, সম্পত্তি, শ্রেণী বা ধ্রুবক) যার নাম
experimental
বাExperimental
ধারণ করে; বা - যে কোনো চিহ্ন যার সম্পূর্ণ যোগ্য নামের মধ্যে একটি মডিউল বা শ্রেণী অন্তর্ভুক্ত থাকে যা নিজেই পরীক্ষামূলক। এর মধ্যে রয়েছে
experimental
নামক যেকোনো প্রোটোকল বাফারের ক্ষেত্র এবং সাবমেসেজ।
-
অন্যান্য ভাষা : Python এবং C ব্যতীত অন্যান্য ভাষায় TensorFlow API, যেমন:
- C++ (
tensorflow/cc
হেডার ফাইলের মাধ্যমে উন্মুক্ত)। - জাভা ,
- যাওয়া
- জাভাস্ক্রিপ্ট
- C++ (
কম্পোজিট অপ্সের বিশদ বিবরণ: পাইথনের অনেক পাবলিক ফাংশন গ্রাফের বিভিন্ন আদিম অপ্সে প্রসারিত হয় এবং এই বিবরণগুলি
GraphDef
s হিসাবে ডিস্কে সংরক্ষিত যেকোনো গ্রাফের অংশ হবে। এই বিবরণ ছোট রিলিজের জন্য পরিবর্তিত হতে পারে. বিশেষ করে, গ্রাফের মধ্যে সঠিক মিলের জন্য পরীক্ষা করা রিগ্রেশন পরীক্ষাগুলি ছোটখাটো রিলিজ জুড়ে ভেঙে যেতে পারে, যদিও গ্রাফের আচরণ অপরিবর্তিত হওয়া উচিত এবং বিদ্যমান চেকপয়েন্টগুলি এখনও কাজ করবে।ফ্লোটিং পয়েন্ট সংখ্যাগত বিবরণ: অপ্স দ্বারা গণনা করা নির্দিষ্ট ফ্লোটিং পয়েন্ট মান যে কোনো সময় পরিবর্তিত হতে পারে। ব্যবহারকারীদের শুধুমাত্র আনুমানিক নির্ভুলতা এবং সংখ্যাগত স্থিতিশীলতার উপর নির্ভর করা উচিত, গণনা করা নির্দিষ্ট বিটের উপর নয়। গৌণ এবং প্যাচ রিলিজে সংখ্যাসূচক সূত্রের পরিবর্তনের ফলে তুলনামূলক বা উন্নত নির্ভুলতা হওয়া উচিত, সতর্কতা সহ যে মেশিন লার্নিংয়ে নির্দিষ্ট সূত্রের উন্নত নির্ভুলতা সামগ্রিক সিস্টেমের জন্য সঠিকতা হ্রাস করতে পারে।
এলোমেলো সংখ্যা: গণনা করা নির্দিষ্ট র্যান্ডম সংখ্যা যে কোনো সময় পরিবর্তিত হতে পারে। ব্যবহারকারীদের শুধুমাত্র আনুমানিক সঠিক বিতরণ এবং পরিসংখ্যানগত শক্তির উপর নির্ভর করা উচিত, গণনা করা নির্দিষ্ট বিট নয়। বিশদ বিবরণের জন্য র্যান্ডম সংখ্যা প্রজন্মের নির্দেশিকা দেখুন।
ডিস্ট্রিবিউটেড টেনসরফ্লোতে সংস্করণ স্ক্যু: একটি একক ক্লাস্টারে টেনসরফ্লো-এর দুটি ভিন্ন সংস্করণ চালানো অসমর্থিত। তারের প্রোটোকলের পিছনের সামঞ্জস্য সম্পর্কে কোন গ্যারান্টি নেই।
বাগ: বর্তমান বাস্তবায়নটি স্পষ্টভাবে ভেঙে গেলে, অর্থাৎ, যদি এটি ডকুমেন্টেশনের সাথে বিরোধিতা করে বা যদি একটি সুপরিচিত এবং সুনির্দিষ্ট উদ্দেশ্যমূলক আচরণ সঠিকভাবে বাস্তবায়িত না হয় তবে আমরা পিছনের বেমানান আচরণ (যদিও API নয়) পরিবর্তন করার অধিকার সংরক্ষণ করি একটি বাগ উদাহরণস্বরূপ, যদি একটি অপ্টিমাইজার একটি সুপরিচিত অপ্টিমাইজেশান অ্যালগরিদম প্রয়োগ করার দাবি করে কিন্তু একটি ত্রুটির কারণে সেই অ্যালগরিদমের সাথে মেলে না, তাহলে আমরা অপ্টিমাইজারটি ঠিক করব৷ আমাদের ফিক্স কনভারজেন্সের জন্য ভুল আচরণের উপর নির্ভর করে কোড ভাঙতে পারে। আমরা রিলিজ নোটগুলিতে এই ধরনের পরিবর্তনগুলি নোট করব।
অব্যবহৃত এপিআই: আমরা API-তে পিছনের দিকে বেমানান পরিবর্তন করার অধিকার সংরক্ষণ করি যার জন্য আমরা কোন নথিভুক্ত ব্যবহার খুঁজে পাই না (GitHub অনুসন্ধানের মাধ্যমে TensorFlow ব্যবহারের অডিট সম্পাদন করে)। এই ধরনের কোনো পরিবর্তন করার আগে, আমরা announce@ মেইলিং লিস্টে পরিবর্তন করার জন্য আমাদের অভিপ্রায় ঘোষণা করব, কীভাবে কোনো বিচ্ছেদ (যদি প্রযোজ্য হয়) সমাধান করতে হবে তার নির্দেশনা প্রদান করব এবং আমাদের সম্প্রদায়কে তাদের প্রতিক্রিয়া জানাতে একটি সুযোগ দেওয়ার জন্য দুই সপ্তাহ অপেক্ষা করুন। .
ত্রুটি আচরণ: আমরা ত্রুটিহীন আচরণ দিয়ে ত্রুটি প্রতিস্থাপন করতে পারি। উদাহরণস্বরূপ, আমরা একটি ত্রুটি উত্থাপনের পরিবর্তে একটি ফলাফল গণনা করার জন্য একটি ফাংশন পরিবর্তন করতে পারি, এমনকি যদি সেই ত্রুটিটি নথিভুক্ত করা হয়। আমরা ত্রুটি বার্তার পাঠ্য পরিবর্তন করার অধিকারও সংরক্ষণ করি৷ উপরন্তু, একটি ত্রুটির ধরন পরিবর্তন হতে পারে যদি না একটি নির্দিষ্ট ত্রুটি অবস্থার জন্য ব্যতিক্রম প্রকার ডকুমেন্টেশনে নির্দিষ্ট করা হয়।
সংরক্ষিত মডেল, গ্রাফ এবং চেকপয়েন্টের সামঞ্জস্য
SavedModel হল TensorFlow প্রোগ্রামে ব্যবহার করার জন্য পছন্দের সিরিয়ালাইজেশন ফরম্যাট। সংরক্ষিত মডেলগুলিতে দুটি অংশ রয়েছে: GraphDefs
এবং একটি চেকপয়েন্ট হিসাবে এনকোড করা এক বা একাধিক গ্রাফ। গ্রাফগুলি চালানোর জন্য অপারেটিং সিস্টেমের ডেটা ফ্লো বর্ণনা করে এবং চেকপয়েন্টগুলি একটি গ্রাফে ভেরিয়েবলের সংরক্ষিত টেনসর মান ধারণ করে।
অনেক TensorFlow ব্যবহারকারী SavedModels তৈরি করে এবং TensorFlow-এর পরবর্তী রিলিজের মাধ্যমে সেগুলিকে লোড ও কার্যকর করে। Semver- এর সাথে সম্মতিতে, TensorFlow-এর একটি সংস্করণের সাথে লেখা সংরক্ষিত মডেলগুলি একই প্রধান রিলিজের সাথে TensorFlow-এর পরবর্তী সংস্করণের সাথে লোড এবং মূল্যায়ন করা যেতে পারে।
আমরা সমর্থিত SavedModels-এর জন্য অতিরিক্ত গ্যারান্টি দিই। আমরা একটি SavedModel বলি যা TensorFlow প্রধান সংস্করণ N
এ শুধুমাত্র অ-বঞ্চিত, অ-পরীক্ষামূলক, নন-কম্প্যাটিবিলিটি API ব্যবহার করে তৈরি করা হয়েছিল এবং N
সংস্করণে সমর্থিত SavedModel । TensorFlow মেজর ভার্সন N-এ সমর্থিত যেকোন SavedModel TensorFlow মেজর ভার্সন N
N+1
দিয়ে লোড এবং এক্সিকিউট করা যেতে পারে। যাইহোক, এই ধরনের মডেল তৈরি বা সংশোধন করার জন্য প্রয়োজনীয় কার্যকারিতা আর উপলব্ধ নাও হতে পারে, তাই এই গ্যারান্টিটি শুধুমাত্র অপরিবর্তিত সংরক্ষিত মডেলের ক্ষেত্রে প্রযোজ্য।
আমরা যতদিন সম্ভব পিছনের সামঞ্জস্য রক্ষা করার চেষ্টা করব, যাতে সিরিয়াল করা ফাইলগুলি দীর্ঘ সময়ের জন্য ব্যবহারযোগ্য হয়।
GraphDef সামঞ্জস্য
গ্রাফগুলি GraphDef
প্রোটোকল বাফারের মাধ্যমে ক্রমিক করা হয়। গ্রাফে পিছনের দিকে বেমানান পরিবর্তনগুলি সহজ করার জন্য, প্রতিটি GraphDef
এর একটি সংস্করণ নম্বর রয়েছে TensorFlow সংস্করণ থেকে আলাদা। উদাহরণ স্বরূপ, GraphDef
সংস্করণ 17 reciprocal
পক্ষে inv
op অবচয় করেছে। শব্দার্থবিদ্যা হল:
TensorFlow এর প্রতিটি সংস্করণ
GraphDef
সংস্করণের একটি বিরতি সমর্থন করে। এই ব্যবধান প্যাচ রিলিজ জুড়ে ধ্রুবক থাকবে, এবং শুধুমাত্র ছোট রিলিজ জুড়ে বৃদ্ধি পাবে। একটিGraphDef
সংস্করণের জন্য ড্রপিং সমর্থন শুধুমাত্র TensorFlow এর একটি বড় রিলিজের জন্য ঘটবে (এবং শুধুমাত্র SavedModels-এর জন্য গ্যারান্টিযুক্ত সংস্করণ সমর্থনের সাথে সারিবদ্ধ)।নতুন তৈরি গ্রাফগুলিকে সর্বশেষ
GraphDef
সংস্করণ নম্বর দেওয়া হয়েছে৷যদি TensorFlow-এর একটি প্রদত্ত সংস্করণ একটি গ্রাফের
GraphDef
সংস্করণকে সমর্থন করে, তবে এটি তৈরি করতে ব্যবহৃত TensorFlow সংস্করণের মতো একই আচরণের সাথে লোড এবং মূল্যায়ন করবে (উপরে বর্ণিত ফ্লোটিং পয়েন্ট সংখ্যাগত বিবরণ এবং র্যান্ডম সংখ্যা ব্যতীত), প্রধান নির্বিশেষে TensorFlow এর সংস্করণ। বিশেষ করে, একটি গ্রাফডিফ যা টেনসরফ্লো-এর একটি সংস্করণে একটি চেকপয়েন্ট ফাইলের সাথে সামঞ্জস্যপূর্ণ (যেমন একটি সংরক্ষিত মডেলের ক্ষেত্রে) পরবর্তী সংস্করণগুলিতে সেই চেকপয়েন্টের সাথে সামঞ্জস্যপূর্ণ থাকবে, যতক্ষণ না GraphDef সমর্থিত হয়।মনে রাখবেন যে এটি শুধুমাত্র GraphDefs (এবং SavedModels) এর সিরিয়ালাইজড গ্রাফের ক্ষেত্রে প্রযোজ্য: যে কোডটি একটি চেকপয়েন্ট পড়ে সে একই কোড দ্বারা তৈরি হওয়া চেকপয়েন্ট টেনসরফ্লো-এর ভিন্ন সংস্করণে পড়তে সক্ষম নাও হতে পারে।
যদি
GraphDef
উপরের সীমাটি একটি (অল্প) রিলিজে X পর্যন্ত বৃদ্ধি করা হয়, তবে নিম্ন সীমাটি X-তে বাড়ানোর অন্তত ছয় মাস আগে থাকবে। উদাহরণস্বরূপ (আমরা এখানে অনুমানমূলক সংস্করণ সংখ্যাগুলি ব্যবহার করছি):- TensorFlow 1.2
GraphDef
সংস্করণ 4 থেকে 7 সমর্থন করতে পারে। - TensorFlow 1.3
GraphDef
সংস্করণ 8 এবং সমর্থন সংস্করণ 4 থেকে 8 যোগ করতে পারে। - অন্তত ছয় মাস পরে, TensorFlow 2.0.0 4 থেকে 7 সংস্করণের জন্য সমর্থন বাদ দিতে পারে, শুধুমাত্র সংস্করণ 8 রেখে।
উল্লেখ্য যে TensorFlow-এর প্রধান সংস্করণগুলি সাধারণত 6 মাসেরও বেশি সময়ের ব্যবধানে প্রকাশিত হয়, তাই উপরে বর্ণিত সমর্থিত SavedModels-এর গ্যারান্টিগুলি GraphDefs-এর জন্য 6 মাসের গ্যারান্টির চেয়ে অনেক বেশি শক্তিশালী।
- TensorFlow 1.2
অবশেষে, যখন একটি GraphDef
সংস্করণের জন্য সমর্থন বাদ দেওয়া হয়, আমরা গ্রাফগুলিকে একটি নতুন সমর্থিত GraphDef
সংস্করণে স্বয়ংক্রিয়ভাবে রূপান্তর করার জন্য সরঞ্জাম সরবরাহ করার চেষ্টা করব।
টেনসরফ্লো প্রসারিত করার সময় গ্রাফ এবং চেকপয়েন্ট সামঞ্জস্য
এই বিভাগটি শুধুমাত্র তখনই প্রাসঙ্গিক যখন GraphDef
বিন্যাসে বেমানান পরিবর্তন করা হয়, যেমন অপ্স যোগ করার সময়, অপস অপসারণ করা হয়, বা বিদ্যমান অপ্সের কার্যকারিতা পরিবর্তন করা হয়। পূর্ববর্তী বিভাগটি বেশিরভাগ ব্যবহারকারীর জন্য যথেষ্ট।
পশ্চাদপদ এবং আংশিক এগিয়ে সামঞ্জস্য
আমাদের সংস্করণ স্কিমের তিনটি প্রয়োজনীয়তা রয়েছে:
- টেনসরফ্লো-এর পুরানো সংস্করণগুলির সাথে তৈরি গ্রাফ এবং চেকপয়েন্টগুলিকে লোড করা সমর্থন করার জন্য পশ্চাদমুখী সামঞ্জস্য ।
- গ্রাফ বা চেকপয়েন্টের প্রযোজককে ভোক্তার সামনে TensorFlow-এর একটি নতুন সংস্করণে আপগ্রেড করা হয় এমন পরিস্থিতিতে সমর্থন করার জন্য ফরওয়ার্ড সামঞ্জস্যতা ।
- বেমানান উপায়ে বিকশিত TensorFlow সক্ষম করুন। উদাহরণস্বরূপ, অপস অপসারণ, বৈশিষ্ট্য যোগ করা এবং বৈশিষ্ট্যগুলি সরানো।
উল্লেখ্য যে GraphDef
সংস্করণ প্রক্রিয়াটি TensorFlow সংস্করণ থেকে পৃথক হলেও, GraphDef
বিন্যাসে পিছনের দিকে বেমানান পরিবর্তনগুলি এখনও শব্দার্থিক সংস্করণ দ্বারা সীমাবদ্ধ। এর মানে হল কার্যকারিতা শুধুমাত্র MAJOR
এর প্রধান সংস্করণগুলির মধ্যে সরানো বা পরিবর্তন করা যেতে পারে (যেমন 1.7
থেকে 2.0
)। অতিরিক্তভাবে, প্যাচ রিলিজের মধ্যে ফরওয়ার্ড সামঞ্জস্যতা প্রয়োগ করা হয় (উদাহরণস্বরূপ 1.x.1
থেকে 1.x.2
)।
পশ্চাৎপদ এবং এগিয়ে সামঞ্জস্য অর্জন করতে এবং ফরম্যাটের পরিবর্তনগুলি কখন প্রয়োগ করতে হবে তা জানতে, গ্রাফ এবং চেকপয়েন্টগুলিতে মেটাডেটা থাকে যা বর্ণনা করে যে তারা কখন তৈরি হয়েছিল৷ নীচের বিভাগগুলি টেনসরফ্লো বাস্তবায়ন এবং GraphDef
সংস্করণগুলির বিকাশের জন্য নির্দেশিকাগুলির বিশদ বিবরণ দেয়।
স্বাধীন ডেটা সংস্করণ স্কিম
গ্রাফ এবং চেকপয়েন্টগুলির জন্য বিভিন্ন ডেটা সংস্করণ রয়েছে। দুটি ডেটা ফরম্যাট একে অপরের থেকে বিভিন্ন হারে এবং টেনসরফ্লো থেকে বিভিন্ন হারে বিবর্তিত হয়। উভয় সংস্করণ সিস্টেম core/public/version.h
এ সংজ্ঞায়িত করা হয়েছে। যখনই একটি নতুন সংস্করণ যোগ করা হয়, তখন কী পরিবর্তিত হয়েছে এবং তারিখের বিবরণ দিয়ে শিরোনামে একটি নোট যোগ করা হয়।
ডেটা, প্রযোজক এবং ভোক্তা
আমরা নিম্নলিখিত ধরণের ডেটা সংস্করণ তথ্যের মধ্যে পার্থক্য করি:
- প্রযোজক : বাইনারি যা ডেটা তৈরি করে। প্রযোজকদের একটি সংস্করণ (
producer
) এবং একটি সর্বনিম্ন ভোক্তা সংস্করণ রয়েছে যা তারা (min_consumer
) এর সাথে সামঞ্জস্যপূর্ণ। - ভোক্তা : বাইনারি যা ডেটা ব্যবহার করে। ভোক্তাদের একটি সংস্করণ (
consumer
) এবং একটি সর্বনিম্ন প্রযোজক সংস্করণ রয়েছে যা তারা (min_producer
) এর সাথে সামঞ্জস্যপূর্ণ।
সংস্করণকৃত ডেটার প্রতিটি অংশে একটি VersionDef versions
ক্ষেত্র রয়েছে যা ডেটা তৈরিকারী producer
, min_consumer
যার সাথে এটি সামঞ্জস্যপূর্ণ, এবং অস্বীকৃত bad_consumers
সংস্করণগুলির একটি তালিকা রেকর্ড করে।
ডিফল্টরূপে, যখন একজন প্রযোজক কিছু ডেটা তৈরি করে, তখন তথ্যটি প্রযোজকের producer
এবং min_consumer
সংস্করণগুলিকে উত্তরাধিকার সূত্রে প্রাপ্ত করে। bad_consumers
সেট করা যেতে পারে যদি নির্দিষ্ট ভোক্তা সংস্করণে বাগ রয়েছে বলে জানা যায় এবং অবশ্যই এড়ানো উচিত। একজন ভোক্তা তথ্যের একটি অংশ গ্রহণ করতে পারে যদি নিম্নলিখিতগুলি সত্য হয়:
-
consumer
>= ডেটারmin_consumer
- ডেটার
producer
>= ভোক্তারmin_producer
-
consumer
ডেটারbad_consumers
মধ্যে নয়
যেহেতু প্রযোজক এবং ভোক্তা উভয়ই একই TensorFlow কোড বেস থেকে এসেছে, core/public/version.h
এ একটি প্রধান ডেটা সংস্করণ রয়েছে যা প্রেক্ষাপটের উপর নির্ভর করে এবং min_consumer
এবং min_producer
(যথাক্রমে প্রযোজক এবং ভোক্তাদের দ্বারা প্রয়োজন) উভয়ই producer
বা consumer
হিসাবে বিবেচিত হয়। . বিশেষ করে,
-
GraphDef
সংস্করণের জন্য, আমাদের কাছে রয়েছেTF_GRAPH_DEF_VERSION
,TF_GRAPH_DEF_VERSION_MIN_CONSUMER
, এবংTF_GRAPH_DEF_VERSION_MIN_PRODUCER
। - চেকপয়েন্ট সংস্করণের জন্য, আমাদের আছে
TF_CHECKPOINT_VERSION
,TF_CHECKPOINT_VERSION_MIN_CONSUMER
, এবংTF_CHECKPOINT_VERSION_MIN_PRODUCER
।
একটি বিদ্যমান অপে ডিফল্ট সহ একটি নতুন বৈশিষ্ট্য যোগ করুন
নিচের নির্দেশিকা অনুসরণ করা আপনাকে ফরওয়ার্ড সামঞ্জস্য দেয় শুধুমাত্র যদি অপ্সের সেট পরিবর্তন না হয়:
- যদি ফরওয়ার্ড সামঞ্জস্য কামনা করা হয়,
tf.saved_model.SavedModelBuilder.add_meta_graph_and_variables
এবংTrue
পদ্ধতি ব্যবহার করে মডেলটি রপ্তানি করার সময়strip_default_attrs
tf.saved_model.SavedModelBuilder.add_meta_graph
tf.estimator.Estimator.export_saved_model
SavedModelBuilder
- এটি মডেলগুলি উত্পাদন/রপ্তানি করার সময় ডিফল্ট মূল্যবান বৈশিষ্ট্যগুলি বন্ধ করে দেয়। এটি নিশ্চিত করে যে ডিফল্ট মান ব্যবহার করার সময় এক্সপোর্ট করা
tf.MetaGraphDef
এ নতুন অপ-অ্যাট্রিবিউট থাকবে না। - এই নিয়ন্ত্রণ থাকার ফলে পুরানো ভোক্তাদের (উদাহরণস্বরূপ, বাইনারি পরিবেশন করা যা প্রশিক্ষণ বাইনারি থেকে পিছিয়ে) মডেলগুলি লোড করা চালিয়ে যেতে এবং মডেল পরিবেশনে বাধা রোধ করতে পারে।
ক্রমবর্ধমান গ্রাফডিফ সংস্করণ
GraphDef
ফরম্যাটে বিভিন্ন ধরনের পরিবর্তন করতে এই ভার্সনিং মেকানিজমটি কীভাবে ব্যবহার করতে হয় তা এই বিভাগটি ব্যাখ্যা করে।
একটি অপশন যোগ করুন
একই সময়ে ভোক্তা এবং প্রযোজক উভয়ের জন্য নতুন বিকল্প যোগ করুন, এবং কোনো GraphDef
সংস্করণ পরিবর্তন করবেন না। এই ধরনের পরিবর্তন স্বয়ংক্রিয়ভাবে পশ্চাদমুখী সামঞ্জস্যপূর্ণ, এবং বিদ্যমান প্রযোজক স্ক্রিপ্টগুলি হঠাৎ করে নতুন কার্যকারিতা ব্যবহার করবে না বলে ফরওয়ার্ড সামঞ্জস্যতার পরিকল্পনাকে প্রভাবিত করে না।
একটি অপ যোগ করুন এবং এটি ব্যবহার করতে বিদ্যমান পাইথন র্যাপারগুলি স্যুইচ করুন৷
- নতুন ভোক্তা কার্যকারিতা প্রয়োগ করুন এবং
GraphDef
সংস্করণ বৃদ্ধি করুন। - যদি র্যাপারগুলিকে শুধুমাত্র সেই ক্ষেত্রে নতুন কার্যকারিতা ব্যবহার করা সম্ভব হয় যেগুলি আগে কাজ করেনি, তাহলে র্যাপারগুলি এখন আপডেট করা যেতে পারে৷
- নতুন কার্যকারিতা ব্যবহার করতে Python wrappers পরিবর্তন করুন।
min_consumer
না, যেহেতু যে মডেলগুলি এই বিকল্পটি ব্যবহার করে না তাদের ভাঙা উচিত নয়৷
অপসারণ বা একটি অপের কার্যকারিতা সীমাবদ্ধ
- নিষিদ্ধ অপশন বা কার্যকারিতা ব্যবহার না করার জন্য সমস্ত প্রযোজক স্ক্রিপ্ট (টেনসরফ্লো নিজে নয়) ঠিক করুন।
-
GraphDef
সংস্করণ বৃদ্ধি করুন এবং নতুন ভোক্তা কার্যকারিতা প্রয়োগ করুন যা নতুন সংস্করণে এবং উপরে GraphDefs-এর জন্য অপসারণ অপশন বা কার্যকারিতা নিষিদ্ধ করে৷ যদি সম্ভব হয়, TensorFlow-কে নিষিদ্ধ কার্যকারিতা সহGraphDefs
তৈরি করা বন্ধ করুন। এটি করতে,REGISTER_OP(...).Deprecated(deprecated_at_version, message)
যোগ করুন। - পশ্চাদপদ সামঞ্জস্যের উদ্দেশ্যে একটি বড় রিলিজের জন্য অপেক্ষা করুন।
- (2) থেকে GraphDef সংস্করণে
min_producer
বাড়ান এবং কার্যকারিতা সম্পূর্ণরূপে সরিয়ে দিন।
একটি অপ এর কার্যকারিতা পরিবর্তন করুন
-
SomethingV2
বা অনুরূপ নামে একটি নতুন অনুরূপ অপ যোগ করুন এবং এটিকে যুক্ত করার এবং বিদ্যমান পাইথন র্যাপারগুলিকে ব্যবহার করার জন্য স্যুইচ করার প্রক্রিয়ার মধ্য দিয়ে যান। ফরওয়ার্ড সামঞ্জস্য নিশ্চিত করতে Python র্যাপার পরিবর্তন করার সময় compat.py- এ প্রস্তাবিত চেকগুলি ব্যবহার করুন। - পুরানো অপটি সরান (পশ্চাদগামী সামঞ্জস্যের কারণে শুধুমাত্র একটি বড় সংস্করণ পরিবর্তনের সাথে হতে পারে)।
- পুরানো অপের সাথে ভোক্তাদের বাদ দিতে
min_consumer
বাড়ান,SomethingV2
এর উপনাম হিসাবে পুরানো অপটিকে আবার যুক্ত করুন এবং এটি ব্যবহার করার জন্য বিদ্যমান পাইথন র্যাপারগুলিকে স্যুইচ করার প্রক্রিয়াটির মধ্য দিয়ে যান৷ -
SomethingV2
মুছে ফেলার প্রক্রিয়ার মধ্য দিয়ে যান।
একটি একক অনিরাপদ ভোক্তা সংস্করণ নিষিদ্ধ করুন
-
GraphDef
সংস্করণটি বাম্প করুন এবং সমস্ত নতুন GraphDef-এর জন্যbad_consumers
এ খারাপ সংস্করণ যোগ করুন। যদি সম্ভব হয়, শুধুমাত্র গ্রাফডিফের জন্যbad_consumers
যোগ করুন যাতে একটি নির্দিষ্ট অপ বা অনুরূপ থাকে। - বিদ্যমান ভোক্তাদের খারাপ সংস্করণ থাকলে, যত তাড়াতাড়ি সম্ভব তাদের সরিয়ে দিন।