Pour gérer vos consentements :

Machine Learning : TensorFlow 2.0 dope l’apprentissage machine

La version 2.0 stable de TensorFlow, le framework d’apprentissage machine (ML) rendu open source par Google, est disponible.

« Grâce à une intégration étroite de Keras dans TensorFlow, à l’Eager execution par défaut et à une exécution des fonctions Pythonic, TensorFlow 2.0 rend l’expérience de développement d’applications aussi familière que possible pour les développeurs Python_ », a expliqué l’équipe du projet sur Medium.

Quelles sont les principales améliorations de cette version 2.0 ?

Keras, multi-GPU, TensorFlow.js…

– une intégration renforcée avec l’API Keras pour développer et entraîner des modèles d’apprentissage profond (deep learning) ;
– l’Eager execution par défaut ;
– la standardisation du format de fichier SavedModel « pour exécuter des modèles sur divers runtimes, dans le cloud, le web, les navigateurs, Node.js, les systèmes mobiles et embarqués » ;
– le support du multi-GPU ;
– l’interface de programmation (API) Distribution Strategy pour « distribuer des scénarios d’entraînement avec un minimum de changements dans le code » ;
– une API Dataset pour un accès à différents jeux de données via une interface standard ;
– une ouverture vers les développeurs JavaScript avec TensorFlow.js.

« Nous continuons également à investir dans le langage Swift avec la bibliothèque Swift for TensorFlow », a précisé Laurence Moroney, responsable de la relation développeurs chez Google.

Et d’ajouter : « pour les chercheurs repoussant les limites du machine learning (ML), nous avons beaucoup investi dans l’API de bas niveau de TensorFlow : nous exportons maintenant toutes les opérations utilisées en interne et fournissons des interfaces héritables pour des concepts cruciaux tels que les variables et les points de contrôle. Cela permet [aux développeurs] de construire sur les composants internes de TensorFlow sans avoir à reconstruire TensorFlow. »

L’ensemble sera détaillé lors du TensorFlow World. L’évenement se tiendra du 28 au 31 octobre 2019 à Santa Clara (Californie).

(photo via Twitter @TensorFlow)

Recent Posts

Ce que Llama 3 dit de l’évolution des LLM

Diverses tendances animant l'univers des LLM transparaissent en filigrane du discours de Meta sur Llama…

22 heures ago

APT44, bras armé cyber de la Russie

Mandiant a attribué un APT à Sandworm, considéré comme le principal groupe cybercriminel à la…

2 jours ago

Cybersécurité : HarfangLab et Filigran connectent EDR et CTI

Les deux startup proposent un connecteur entre la platefome OpenCTI de Filigran et l’EDR de…

2 jours ago

Le hacking autonome, capacité émergente de GPT-4 ?

Des chercheurs ont mis des agents LLM à l'épreuve dans la détection et l'exploitation de…

2 jours ago

Les applications de messagerie se mettent au chiffrement post-quantique

Dans la lignée de Signal, iMessage intègre une couche de chiffrement post-quantique.

2 jours ago

Infrastructures LAN : une photo du marché avant la fusion HPE-Juniper

Douze fournisseurs sont classés dans le dernier Magic Quadrant des infrastructures LAN.

3 jours ago