Ekosistem TensorFlow

TensorFlow

Ekosistem the original TensorFlow yang menggunakan Python API untuk mengontrol semua pembuatan, pemrosesan, hingga evaluasi machine learning.

Secara umum, ketika orang berbicara tentang “TensorFlow” tanpa spesifikasi tambahan, mereka merujuk pada TensorFlow yang dirancang untuk Python.

TensorFlow Python berada pada versi 2.x. Penggunaan serta pengembangan TensorFlow versi 2.x ini berfokus pada penyederhanaan dan kemudahan pengguna, API yang intuitif, serta fleksibilitas pembangunan model dalam berbagai platform.

Satu hal menarik dari TensorFlow versi 2 adalah dikenalkannya eager execution.

Eager execution adalah konsep yang merujuk pada proses eksekusi secara dinamis, mirip seperti cara Python biasa beroperasi.

Untuk mempermudah, mari kita lihat kode operasi kuadrat vektor yang dieksekusi dengan graph execution menggunakan tf.function().

def square(vektor):
    result = vektor ** 2
    print(result)
    return result
    
vektor = tf.constant([1.0, 2.0, 3.0, 4.0])
graph_function = tf.function(square)
graph_function(vektor)

#Output:
#[1., 4., 9., 16.]

Kita sudah tahu bahwa kode Python di atas dijalankan menggunakan graph execution. Saat kode dijalankan, kita harus memanggil fungsi tf.function() untuk mengeksekusi fungsi square() sebagai graf.

Lantas, bagaimana cara menjalankan fungsi square() dengan menggunakan eager execution?

Pada TensorFlow Python 2.x, Anda tidak memerlukan tindakan spesial. Anda hanya perlu membuat fungsi dengan parameternya yang termasuk object tensor dan menjalankan kodenya.

def square(vektor):
    result = vektor ** 2
    print(result)
    return result
    
vektor = tf.constant([1.0, 2.0, 3.0, 4.0])
square(vektor)

#Output:
#[1., 4., 9., 16.]

Pada kode di atas, kita menjalankan fungsi square() untuk melakukan operasi kuadrat terhadap bilangan vektor.

Mungkin muncul dalam benak Kita, bukannya Python harusnya seperti itu? Ingatlah pernyataan sebelumnya.

“Eager execution adalah konsep yang merujuk pada proses eksekusi secara dinamis, mirip seperti cara Python biasa beroperasi.”

Kode di atas terlihat seperti cara Python beroperasi karena default-nya, TensorFlow akan mengeksekusi kode dengan eager atau secara langsung.

Kita tidak lagi memerlukan fungsi tf.function, cukup buat fungsi dan menerima objek tensor.

instalasi TensorFlow

Kita bisa melakukan instalasi TensorFlow 2.0 menggunakan python package manager (pip) dan menjalankan kode di bawah ini.

python -m pip install "tensorflow<2.11"

Penting untuk diperhatikan bahwa TensorFlow Python berperan penting dalam pengembangan model machine learning. Saat ini, banyak peneliti dan pengembang model cenderung menggunakan TensorFlow versi Python untuk membuat model dari awal.

format model Tensotflow

SavedModel

SavedModel adalah format pada TensorFlow yang menyimpan TensorFlow program secara utuh, termasuk parameter, seperti tf.Variable, arsitektur model, dan sebagainya. Anda bisa simpulkan bahwa SavedModel menyimpan TensorFlow graf.

SavedModel adalah format aman jika kita ingin melakukan sharing dan deployment menggunakan TF Lite, TensorFlow.js, TensorFlow Serving, atau TensorFlow Hub. Hal ini karena format ini dapat dikonversi langsung menjadi ekstensi yang disebutkan.

HDF5

HDF5 atau Hierarchical Data Format adalah jenis format file yang didesain untuk menyimpan dan mengorganisasi data dalam jumlah besar.

Dalam TensorFlow, HDF5 memiliki ekstensi .h5 serta menyimpan banyak informasi, seperti weights dan lapisan-lapisan tensorflow.

Kedua format model ini dapat berperan penting, khususnya jika Anda membuat model machine learning menggunakan TensorFlow versi Python dari awal dan mengonversinya ke ekosistem tensorflow lain, seperti TensorFlow Lite atau TensorFlow.js.