TensorFlow

TensorFlow là một nền tảng mã nguồn mở toàn diện và linh hoạt được thiết kế để hợp lý hóa việc phát triển và triển khai các ứng dụng học máy (ML) và trí tuệ nhân tạo. Ban đầu được phát triển bởi các nhà nghiên cứu và kỹ sư từ nhóm Google Brain , nền tảng này đã phát triển thành một hệ sinh thái phong phú gồm các công cụ, thư viện và tài nguyên cộng đồng, cho phép các nhà nghiên cứu thúc đẩy công nghệ học sâu (DL) tiên tiến nhất, đồng thời cho phép các nhà phát triển dễ dàng xây dựng và triển khai các ứng dụng hỗ trợ ML. Kiến trúc của nền tảng được thiết kế linh hoạt, hỗ trợ tính toán trên nhiều nền tảng khác nhau, từ máy chủ mạnh mẽ đến thiết bị di động biên .

Khái niệm cốt lõi và kiến trúc

Ở trung tâm của nó, TensorFlow được xây dựng dựa trên khái niệm đồ thị luồng dữ liệu. Trong mô hình này, các nút trong đồ thị biểu diễn các phép toán, trong khi các cạnh của đồ thị biểu diễn các mảng dữ liệu đa chiều, được gọi là tenxơ, chảy giữa chúng. Kiến trúc này cho phép khung thực hiện các phép tính mạng nơ-ron (NN) phức tạp một cách hiệu quả.

• Tensor: Đơn vị cơ bản của dữ liệu, tương tự như NumPy mảng nhưng có thêm khả năng lưu trữ trong bộ nhớ tăng tốc như GPU hoặc TPU .
• Đồ thị tính toán: Chúng xác định logic của phép tính. Trong khi các phiên bản đầu tiên chủ yếu dựa vào đồ thị tĩnh, thì các phiên bản hiện đại TensorFlow mặc định là thực thi nhanh, đánh giá các hoạt động ngay lập tức để có trải nghiệm gỡ lỗi Python trực quan hơn.
• Tích hợp Keras: Để xây dựng mô hình, TensorFlow sử dụng Keras làm API cấp cao. Điều này giúp đơn giản hóa việc tạo mô hình học sâu bằng cách trừu tượng hóa các chi tiết cấp thấp, giúp việc tạo mẫu nhanh chóng trở nên dễ dàng.

Các tính năng chính và hệ sinh thái

Điểm mạnh của khuôn khổ này nằm ở hệ sinh thái mở rộng, hỗ trợ toàn bộ vòng đời ML từ xử lý dữ liệu trước cho đến triển khai sản xuất.

• Hình ảnh hóa: Bộ TensorBoard cung cấp các công cụ hình ảnh hóa để track các số liệu đào tạo như mất mát và độ chính xác, trực quan hóa đồ thị mô hình và phân tích không gian nhúng.
• Triển khai sản xuất: Các công cụ như TensorFlow Serving cho phép cung cấp các mô hình ML linh hoạt và hiệu suất cao trong môi trường sản xuất.
• Di động và Web: TensorFlow Lite cho phép suy luận độ trễ thấp trên thiết bị di động và thiết bị nhúng, trong khi TensorFlow .js cho phép các mô hình chạy trực tiếp trên trình duyệt hoặc trên Node.js.
• Đào tạo phân tán: Khung này có khả năng mở rộng dễ dàng, hỗ trợ đào tạo phân tán trên các cụm thiết bị để xử lý các tập dữ liệu lớn và kiến trúc quy mô lớn.

TensorFlow so với PyTorch

Trong bối cảnh của các khuôn khổ học sâu, sự so sánh chính thường được rút ra giữa TensorFlow và PyTorch . Mặc dù cả hai đều có khả năng xử lý khối lượng công việc nghiên cứu và sản xuất hiện đại, nhưng chúng có những khác biệt về mặt lịch sử. TensorFlow thường được ưa chuộng trong các thiết lập công nghiệp vì các đường ống triển khai mô hình mạnh mẽ và hỗ trợ phần cứng đa dạng thông qua các định dạng như SavedModel Và TFLite . PyTorch , do Meta phát triển, thường được trích dẫn nhờ đồ thị tính toán động và tính dễ sử dụng trong nghiên cứu học thuật. Tuy nhiên, với các bản cập nhật gần đây, khoảng cách đã thu hẹp đáng kể, và cả hai nền tảng đều mang lại khả năng tương tác và hiệu suất tuyệt vời.

Các Ứng dụng Thực tế

Tính linh hoạt của khung này khiến nó phù hợp với nhiều ngành công nghiệp và nhiệm vụ phức tạp trong thị giác máy tính (CV) và xử lý ngôn ngữ tự nhiên.

• Chăm sóc sức khỏe: Cung cấp năng lượng cho các hệ thống phân tích hình ảnh y tế tiên tiến giúp các bác sĩ X quang phát hiện các bất thường như khối u trong ảnh X-quang hoặc MRI, cải thiện độ chính xác và tốc độ chẩn đoán.
• Bán lẻ: Các nhà bán lẻ lớn sử dụng AI trong các ứng dụng bán lẻ , chẳng hạn như quản lý hàng tồn kho thông minh và hệ thống thanh toán tự động sử dụng tính năng phát hiện đối tượng để xác định sản phẩm theo thời gian thực.
• Ô tô: Trong ngành ô tô, nó được sử dụng để đào tạo các mô hình nhận thức cho xe tự hành , cho phép xe nhận dạng làn đường, người đi bộ và biển báo giao thông.

Ultralytics Tích hợp

Ultralytics YOLO các mô hình tích hợp liền mạch với TensorFlow hệ sinh thái. Người dùng có thể đào tạo các mô hình tiên tiến như YOLO11 trong Python và dễ dàng xuất chúng sang các định dạng tương thích để triển khai trên nền tảng web, di động hoặc đám mây. Khả năng này đảm bảo hiệu suất cao của YOLO có thể được tận dụng trong hiện tại TensorFlow -cơ sở hạ tầng dựa trên.

Ví dụ sau đây minh họa cách xuất một tệp đã được đào tạo trước YOLO11 mô hình theo định dạng TensorFlow SavedModel , cho phép tích hợp dễ dàng với các công cụ phục vụ.

from ultralytics import YOLO

# Load the official YOLO11 model
model = YOLO("yolo11n.pt")

# Export the model to TensorFlow SavedModel format
# This creates a directory containing the saved_model.pb file
model.export(format="saved_model")

Ngoài ra SavedModel , Ultralytics hỗ trợ xuất sang TensorFlow Lite cho các ứng dụng di động, TensorFlow .js để suy luận dựa trên web và Edge TPU để tăng tốc hiệu suất phần cứng.