Ottimizza i modelli di apprendimento automatico
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(...)
TensorFlow Model Optimization Toolkit è una suite di strumenti per l'ottimizzazione dei modelli ML per l'implementazione e l'esecuzione. Tra i molti usi, il toolkit supporta le tecniche utilizzate per:
- Ridurre i costi di latenza e inferenza per i dispositivi cloud e edge (ad es. Mobile, IoT).
- Distribuisci i modelli sui dispositivi periferici con restrizioni su elaborazione, memoria, consumo energetico, utilizzo della rete e spazio di archiviazione dei modelli.
- Abilita l'esecuzione e ottimizza per hardware esistente o nuovi acceleratori per scopi speciali.
Scegli il modello e lo strumento di ottimizzazione in base alla tua attività:
-
Migliora le prestazioni con i modelli standard
In molti casi, i modelli pre-ottimizzati possono migliorare l'efficienza dell'applicazione. -
Utilizzare il TensorFlow Model Optimization Toolkit
Prova gli strumenti di post-allenamento per ottimizzare un modello TensorFlow già addestrato. -
Ottimizza ulteriormente
Utilizzare gli strumenti di ottimizzazione del tempo di formazione e conoscere le tecniche.