Assistez au symposium Women in ML le 7 décembre Inscrivez-vous maintenant
Restez organisé à l'aide des collections Enregistrez et classez les contenus selon vos préférences.

Optimiser les modèles d'apprentissage automatique

import tensorflow as tf
import tensorflow_model_optimization as tfmot

model = tf.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(...)
Le kit d' outils d'optimisation de modèle TensorFlow est une suite d'outils permettant d'optimiser les modèles de ML pour le déploiement et l'exécution. Parmi de nombreuses utilisations, la boîte à outils prend en charge les techniques utilisées pour :
  • Réduisez la latence et les coûts d'inférence pour les appareils cloud et périphériques (par exemple, mobiles, IoT).
  • Déployez des modèles sur des appareils périphériques avec des restrictions sur le traitement, la mémoire, la consommation d'énergie, l'utilisation du réseau et l'espace de stockage des modèles.
  • Activez l'exécution et optimisez-la pour le matériel existant ou les nouveaux accélérateurs à usage spécifique.

Choisissez le modèle et l'outil d'optimisation en fonction de votre tâche :