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 :
-
Améliorez les performances avec des modèles prêts à l'emploi
Dans de nombreux cas, les modèles pré-optimisés peuvent améliorer l'efficacité de votre application. -
Utiliser le kit d'outils d'optimisation de modèle TensorFlow
Essayez les outils de post-formation pour optimiser un modèle TensorFlow déjà formé. -
Optimisez davantage
Utilisez les outils d'optimisation du temps de formation et découvrez les techniques.