به روز شده: مه، 2021
موارد زیر نمایانگر سطح بالایی از نقشه راه ما است. باید توجه داشته باشید که این نقشه راه ممکن است در هر زمانی تغییر کند و ترتیب زیر نشان دهنده هیچ نوع اولویتی نیست.
ما نقشه راه خود را به چهار بخش کلیدی تقسیم می کنیم: قابلیت استفاده، عملکرد، بهینه سازی و قابلیت حمل. شدیدا توصیه می شود به اظهار نظر در نقشه راه ما و به ما بازخورد در ارائه گروه بحث TensorFlow بازگشت به محتوا | .
قابلیت استفاده
- پوشش عملیات گسترده
- عملیات هدفمند را بر اساس بازخورد کاربر اضافه کنید.
- مجموعه های عملیات هدفمند را برای دامنه ها و مناطق خاص از جمله عملیات تصادفی، عملیات لایه پایه Keras، جداول هش، انتخاب عملیات آموزشی اضافه کنید.
- ابزار کمکی بیشتر
- حاشیه نویسی نمودار TensorFlow و ابزارهای سازگاری را برای اعتبارسنجی TFLite و سازگاری شتاب دهنده سخت افزاری در حین آموزش و پس از تبدیل ارائه دهید.
- امکان هدف‌گیری و بهینه‌سازی برای شتاب‌دهنده‌های خاص در طول تبدیل.
- آموزش روی دستگاه
- پشتیبانی از آموزش روی دستگاه برای شخصی‌سازی و انتقال یادگیری، از جمله Colab که استفاده سرتاسری را نشان می‌دهد.
- پشتیبانی از انواع متغیر/منبع (هم برای استنباط و هم برای آموزش)
- پشتیبانی از تبدیل و اجرای نمودارها با چندین تابع (یا امضا) نقاط ورودی.
- ادغام اندروید استودیو پیشرفته
- مدل‌های TFLite را در Android Studio بکشید و رها کنید تا رابط‌های مدل ایجاد کنید.
- پشتیبانی از پروفایل اندروید استودیو، از جمله پروفایل حافظه را بهبود بخشید.
- مدل ساز
- پشتیبانی از وظایف جدیدتر، از جمله تشخیص اشیا، توصیه، و طبقه بندی صدا، که مجموعه گسترده ای از کاربردهای رایج را پوشش می دهد.
- از مجموعه داده های بیشتری پشتیبانی کنید تا یادگیری انتقال آسان تر شود.
- Task Library
- از انواع مدل های بیشتری (مانند صدا، NLP) با قابلیت های پردازش قبل و بعد مرتبط پشتیبانی کنید.
- نمونه های مرجع بیشتری را با Task API به روز کنید.
- پشتیبانی از شتاب خارج از جعبه برای همه وظایف.
- مدل ها و نمونه های بیشتر SOTA
- برای نشان دادن استفاده از مدل و همچنین ویژگی‌ها و APIهای جدید که پلتفرم‌های مختلف را پوشش می‌دهند، مثال‌های بیشتری (به عنوان مثال صدا، NLP، ساختار-داده‌های مرتبط) اضافه کنید.
- برای کاهش هزینه های آموزش و استقرار، مدل های ستون فقرات قابل اشتراک گذاری را برای روی دستگاه ایجاد کنید.
- استقرار یکپارچه در چندین پلتفرم
- مدل های TensorFlow Lite را در وب اجرا کنید.
- پشتیبانی از پلتفرم های مختلف بهبود یافته است
- گسترش و بهبود APIها برای جاوا در اندروید، سوئیفت در iOS، پایتون در RPi.
- پشتیبانی CMake را تقویت کنید (به عنوان مثال، پشتیبانی گسترده تر از شتاب دهنده).
- پشتیبانی بهتر از frontend
- سازگاری با فرانت‌اندهای مختلف نویسندگی، از جمله Keras، tf.numpy را بهبود بخشید.
کارایی
- ابزارسازی بهتر
- داشبورد عمومی برای ردیابی دستاوردهای عملکرد با هر نسخه.
- ابزاری برای درک بهتر سازگاری نمودار با شتاب دهنده های هدف.
- بهبود عملکرد CPU
- XNNPack به طور پیش فرض برای استنتاج سریعتر ممیز شناور فعال است.
- پشتیبانی نیمه دقیق (float16) با هسته های بهینه شده.
- پشتیبانی از NN API به روز شد
- پشتیبانی کامل از ویژگی‌ها، عملکردها و انواع نسخه جدیدتر NN API اندروید.
- بهینه سازی GPU
- بهبود زمان راه اندازی با پشتیبانی از سریال سازی نماینده.
- تعامل بافر سخت افزاری برای استنتاج با کپی صفر.
- در دسترس بودن گسترده تر شتاب در دستگاه.
- پوشش عملیاتی بهتر
بهینه سازی
کوانتیزاسیون
- کوانتیزاسیون انتخابی پس از آموزش برای حذف لایه های خاصی از کوانتیزه کردن.
- اشکال زدایی کوانتیزاسیون برای بررسی تلفات خطای کوانتیزاسیون در هر لایه.
- استفاده از آموزش آگاهی از کوانتیزاسیون در پوشش مدل بیشتر به عنوان مثال باغ مدل تنسورفلو.
- بهبود کیفیت و عملکرد برای کوانتیزاسیون دامنه پویا پس از آموزش.
- Tensor Compression API برای اجازه دادن به الگوریتم های فشرده سازی مانند SVD.
هرس / پراکندگی
- APIهای قابل تنظیم زمان آموزش (هرس + آموزش آگاه از کمیت) را ترکیب کنید.
- افزایش کاربرد اسپاریتی در مدل های TF Model Garden.
- پشتیبانی از اجرای مدل پراکنده در TensorFlow Lite.
قابل حمل بودن
- پشتیبانی از میکروکنترلر
- پشتیبانی از طیفی از موارد استفاده معماری MCU 32 بیتی برای طبقه بندی گفتار و تصویر را اضافه کنید.
- Audio Frontend: پشتیبانی از پیش پردازش و شتاب صوتی درون گراف
- نمونه کد و مدل برای داده های بینایی و صوتی.