Optymalizuj modele uczenia maszynowego ,Optymalizuj modele uczenia maszynowego
import tensorflow as tf
import tensorflow_model_optimization as tfmot
import tf_keras as keras
model = keras.Sequential([...])
pruning_schedule = tfmot.sparsity.keras.PolynomialDecay(
initial_sparsity=0.0, final_sparsity=0.5,
begin_step=2000, end_step=4000)
model_for_pruning = tfmot.sparsity.keras.prune_low_magnitude(
model, pruning_schedule=pruning_schedule)
...
model_for_pruning.fit(...)
TensorFlow Model Optimization Toolkit to zestaw narzędzi do optymalizacji modeli ML pod kątem wdrażania i wykonywania. Wśród wielu zastosowań zestaw narzędzi obsługuje techniki używane do:
- Zmniejsz opóźnienia i koszty wnioskowania dla urządzeń w chmurze i brzegowych (np. urządzeń mobilnych, IoT).
- Wdrażaj modele na urządzeniach brzegowych z ograniczeniami dotyczącymi przetwarzania, pamięci, zużycia energii, użycia sieci i przestrzeni pamięci modelu.
- Włącz wykonywanie i optymalizuj pod kątem istniejącego sprzętu lub nowych akceleratorów specjalnego przeznaczenia.
Wybierz model i narzędzie do optymalizacji w zależności od zadania:
-
Popraw wydajność dzięki gotowym modelom. Popraw wydajność dzięki gotowym modelom
W wielu przypadkach wstępnie zoptymalizowane modele mogą poprawić wydajność aplikacji. W wielu przypadkach wstępnie zoptymalizowane modele mogą poprawić wydajność aplikacji. -
Użyj zestawu narzędzi do optymalizacji modelu TensorFlow,Użyj zestawu narzędzi do optymalizacji modelu TensorFlow
Wypróbuj narzędzia poszkoleniowe, aby zoptymalizować już wytrenowany model TensorFlow. ,Wypróbuj narzędzia poszkoleniowe, aby zoptymalizować już wytrenowany model TensorFlow. -
Dalsza optymalizacja
Skorzystaj z narzędzi do optymalizacji czasu szkolenia i poznaj techniki. ,Skorzystaj z narzędzi do optymalizacji czasu szkolenia i poznaj techniki.