Сохраните дату! Google I / O возвращается 18-20 мая Зарегистрируйтесь сейчас
Эта страница переведена с помощью Cloud Translation API.
Switch to English

Оптимизировать модели машинного обучения

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 - это набор инструментов для оптимизации моделей машинного обучения для развертывания и выполнения. Среди множества применений этот инструментарий поддерживает методы, используемые для:
  • Снижение задержки и затрат на логический вывод для облачных и периферийных устройств (например, мобильных устройств, Интернета вещей).
  • Развертывайте модели на периферийных устройствах с ограничениями на обработку, память, энергопотребление, использование сети и пространство для хранения модели.
  • Включите выполнение и оптимизируйте для существующего оборудования или новых ускорителей специального назначения.

Выберите модель и инструмент оптимизации в зависимости от вашей задачи: