ماڈل کی کارکردگی کو بہتر بنانے کے لئے TensorFlow پروفائلر کا استعمال کیسے کریں

مواد کا جائزہ لیں نتائج کے اعداد و شمار جمع APIs کا پروفائل Custom training loops کے بارے میں استعمال کے معاملے کا پروفائل بہتر ماڈل کی کارکردگی کے لئے بہترین طریقے input data pipeline کو بہتر بنانے کے لئے Threading اور Parallel Execution کا استعمال کریں مذاق آلہ کی کارکردگی کو بہتر بنانے کے اضافی وسائل محدودیتیں جانتے ہیں TensorFlow 2.2 اور TensorFlow 2.3 پر کئی GPUs کی پروفائلنگ نتائج کے اعداد و شمار جمع TensorFlow پروفائلر آپ کے TensorFlow ماڈل کی میزبان سرگرمیوں اور GPU ٹریکز جمع کرتا ہے. آپ پروفائلر کو پروگرامنٹک موڈ یا نمائش موڈ کے ذریعے کارکردگی کے اعداد و شمار کو جمع کرنے کے لئے ترتیب دے سکتے ہیں. APIs کا پروفائل آپ پروفائل بنانے کے لئے مندرجہ ذیل APIز استعمال کرسکتے ہیں. TensorBoard Keras Callback کا استعمال کرتے ہوئے پروگرامیٹک موڈ (tf.keras.callbacks.TensorBoard) # Profile from batches 10 to 15 tb_callback = tf.keras.callbacks.TensorBoard(log_dir=log_dir, profile_batch='10, 15') # Train the model and use the TensorBoard Keras callback to collect # performance profiling data model.fit(train_data, steps_per_epoch=20, epochs=5, callbacks=[tb_callback]) tf.profiler Function API کا استعمال کرتے ہوئے پروگرامیٹک موڈ tf.profiler.experimental.start('logdir') # Train the model here tf.profiler.experimental.stop() Context Manager کا استعمال کرتے ہوئے پروگرامیٹک موڈ with tf.profiler.experimental.Profile('logdir'): # Train the model here pass نوٹ: پروفائلر کو بہت طویل وقت تک چلانے سے اس کی ذہنیت ختم ہوسکتی ہے. یہ ایک وقت میں 10 سے زیادہ قدموں کو پروفائل کرنے کی سفارش کی جاتی ہے. پہلے چند بیچوں کو پروفائلنگ کرنے سے بچیں تاکہ ابتدائی سازی کے اوپر سے منسلک ہونے والی غلطیوں سے بچیں. نوٹ: پروفائلر کو بہت طویل وقت تک چلانے سے اس کی ذہنیت ختم ہوسکتی ہے. یہ ایک وقت میں 10 سے زیادہ قدموں کو پروفائل کرنے کی سفارش کی جاتی ہے. پہلے چند بیچوں کو پروفائلنگ کرنے سے بچیں تاکہ ابتدائی سازی کے اوپر سے منسلک ہونے والی غلطیوں سے بچیں. Sampling mode: Perform on-demand profiling by using to start a gRPC server with your TensorFlow model run. After starting the gRPC server and running your model, you can capture a profile through the button in the TensorBoard profile plugin. Use the script in the Install profiler section above to launch a TensorBoard instance if it is not already running. tf.profiler.experimental.server.start Capture Profile As an example, # Start a profiler server before your model runs. tf.profiler.experimental.server.start(6009) # (Model code goes here). # Send a request to the profiler server to collect a trace of your model. tf.profiler.experimental.client.trace('grpc://localhost:6009', 'gs://your_tb_logdir', 2000) کئی ملازمین کی پروفائلنگ کے لئے ایک مثال: # E.g., your worker IP addresses are 10.0.0.2, 10.0.0.3, 10.0.0.4, and you # would like to profile for a duration of 2 seconds. tf.profiler.experimental.client.trace( 'grpc://10.0.0.2:8466,grpc://10.0.0.3:8466,grpc://10.0.0.4:8466', 'gs://your_tb_logdir', 2000) استعمال کریں بات چیت کرنے کے لئے: Capture Profile پروفائل سروس یو آر ایلز یا TPU ناموں کی ایک comma-delimited فہرست. پروگرامنگ کی مدت آلہ، میزبان، اور Python فورم کال ٹریکنگ کی سطح. کتنی بار آپ چاہتے ہیں کہ پروفائلر پہلی بار ناکام ہو تو پروفائلوں کو پکڑنے کے لئے دوبارہ چالو کریں. Custom training loops کے بارے میں اپنے TensorFlow کوڈ میں اپنی مرضی کے مطابق تربیت کے لنکس کو پروفائل کرنے کے لئے، تربیت کے لنکس کو API پروفیلر کے لئے مرحلے کی حدود کو نشانہ بنانے کے لئے. tf.profiler.experimental.Trace کے مثال کے طور پر، اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ اس کا نام، اس کے علاوہ، اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ اس کا مطلب یہ ہے کہ. یہ ٹریک واقعہ پروسیسر کی طرف سے ایک قدم واقعہ کے طور پر عملدرآمد کیا جاتا ہے. keyword argument makes this trace event get processed as a step event by the Profiler. name step_num _r مثال کے طور پر، for step in range(NUM_STEPS): with tf.profiler.experimental.Trace('train', step_num=step, _r=1): train_data = next(dataset) train_step(train_data) یہ پروفائلر کی مرحلے پر مبنی کارکردگی کا تجزیہ کرنے کی اجازت دے گا اور مرحلے کے واقعات کو ٹریک ویئر میں ظاہر کیا جائے گا. اس بات کو یقینی بنائیں کہ آپ ڈیٹا سیٹ iterator کے اندر شامل ہیں. داخلہ پائپ لائن کی درست تجزیہ کے لئے kontext. tf.profiler.experimental.Trace مندرجہ ذیل کوڈ ایک anti-pattern ہے: احتیاط: یہ داخلہ پائپ لائن کی غلط تجزیہ کے نتیجے میں ہو جائے گا. احتیاط: یہ داخلہ پائپ لائن کی غلط تجزیہ کے نتیجے میں ہو جائے گا. for step, train_data in enumerate(dataset): with tf.profiler.experimental.Trace('train', step_num=step, _r=1): train_step(train_data) استعمال کے معاملے کا پروفائل پروفیسر چار مختلف چیلنجوں کے ساتھ کئی استعمال کے کیسز کا احاطہ کرتا ہے. کچھ مجموعات موجودہ طور پر حمایت کی جاتی ہیں اور دوسرے مستقبل میں شامل کیے جائیں گے۔ کچھ استعمال کے کیسز ہیں: مقامی vs. ریموٹ پروفائلنگ: یہ آپ کے پروفائلنگ ماحول کو قائم کرنے کے دو عام طریقے ہیں. مقامی پروفائلنگ میں، پروفائلنگ API آپ کے ماڈل کو چلانے والے اسی مشین پر بلایا جاتا ہے، مثال کے طور پر، GPUs کے ساتھ ایک مقامی کام اسٹیشن. ریموٹ پروفائلنگ میں، پروفائلنگ API ایک مختلف مشین پر بلایا جاتا ہے جہاں آپ کا ماڈل چل رہا ہے، مثال کے طور پر، ایک Cloud TPU پر. متعدد ملازمین کی پروفائلنگ: آپ TensorFlow کی تقسیم تربیت کی صلاحیتوں کا استعمال کرتے ہوئے کئی مشینوں کو پروفائل کرسکتے ہیں. ہارڈ ویئر پلیٹ فارم: پروفائل CPU، GPU، اور TPUs. مندرجہ ذیل جدول اوپر ذکر کردہ TensorFlow کی حمایت کے استعمال کے واقعات کی ایک تیزی سے مجموعہ فراہم کرتا ہے: Profiling API Local Remote Multiple workers Hardware Platforms TensorBoard Keras Callback Supported Not Supported Not Supported CPU, GPU start/stop tf.profiler.experimental API Supported Not Supported Not Supported CPU, GPU client.trace tf.profiler.experimental API Supported Supported Supported CPU, GPU, TPU Context manager API Supported Not supported Not Supported CPU, GPU TensorBoard Keras Callback حمایت حمایت نہیں حمایت نہیں GPU، GPU شروع کریں / روکیں tf.profiler.experimental آگ حمایت حمایت نہیں حمایت نہیں GPU، GPU ٹریڈنگ tf.profiler.experimental آگ حمایت حمایت حمایت CPU، GPU، TPU Context manager API حمایت حمایت نہیں حمایت نہیں GPU، GPU بہتر ماڈل کی کارکردگی کے لئے بہترین طریقے آپ کے TensorFlow ماڈل کے لئے مناسب طور پر مندرجہ ذیل سفارشات کا استعمال کرتے ہوئے بہترین کارکردگی حاصل کرنے کے لئے. عام طور پر، آلہ پر تمام تبدیلیوں کو انجام دیں اور اس بات کو یقینی بنائیں کہ آپ اپنی پلیٹ فارم کے لئے cuDNN اور Intel MKL جیسے لائبریریوں کی تازہ ترین مطابقت پذیر ورژن استعمال کرتے ہیں. input data pipeline کو بہتر بنانے کے لئے [#input_pipeline_analyzer] سے اعداد و شمار کا استعمال کرتے ہوئے آپ کے ڈیٹا انٹرویو پائپول کو بہتر بنانے کے لئے. ایک مؤثر ڈیٹا انٹرویو پائپول آپ کے ماڈل کی کارکردگی کو کم کرنے کے ذریعے بڑے پیمانے پر بہتر بنا سکتا ہے. آپ کے ڈیٹا انٹرویو پائپول کو زیادہ مؤثر بنانے کے لئے ہدایت اور نیچے. tf.data API کے ساتھ بہتر کارکردگی عام طور پر، کسی بھی آپشنز کو متضاد کرنے کے لئے جو سلسلے میں executed کرنے کی ضرورت نہیں ہے قابل قدر طور پر ڈیٹا انٹرویو پائپ لائن کو بہتر بنا سکتے ہیں. بہت سے صورتوں میں، یہ کچھ کالوں کی ترتیب کو تبدیل کرنے میں مدد ملتی ہے یا arguments کو تنصیب کرنے میں مدد ملتی ہے تاکہ یہ آپ کے ماڈل کے لئے بہترین کام کرتا ہے. While optimizing the input data pipeline, benchmark only the data loader without the training and backpropagation steps to quantify the effect of the optimizations independently. آپ کے ماڈل کو مصنوعی اعداد و شمار کے ساتھ چلانے کی کوشش کریں تاکہ اس بات کو چیک کریں کہ آیا input pipeline ایک کارکردگی bottleneck ہے. tf.data.Dataset.shard multi-GPU تربیت کے لئے استعمال کریں. ٹرانسپورٹ کی کمی کو روکنے کے لئے آپ کو ان پٹ چلوپ میں بہت پہلے ہی shard کرنے کی ضمانت کریں. TFRecords کے ساتھ کام کرتے وقت، آپ TFRecords کی فہرست اور TFRecords کے مواد نہیں shard کرنے کی ضمانت کریں. num_parallel_calls کے معیار کو tf.data.AUTOTUNE کا استعمال کرتے ہوئے قدرتی طور پر مقرر کریں. tf.data.Dataset.from_generator کے استعمال کو محدود کرنے پر غور کریں کیونکہ یہ خالص TensorFlow ops کے مقابلے میں کم از کم ہے. tf.py_function کے استعمال کو محدود کرنے پر غور کریں کیونکہ یہ سیریز کرنے کے قابل نہیں ہے اور توسیع شدہ TensorFlow میں چلنے کے لئے حمایت نہیں ہے. tf.data.Options کا استعمال کرتے ہوئے ان پائی پائی پائی پائی کو سٹیٹک بہتر بنانے کو کنٹرول کریں. یہ بھی پڑھیں کارکردگی کا تجزیہ آپ کے input pipeline کو بہتر بنانے کے بارے میں مزید ہدایات کے لئے. tf.data رہنمائی ڈیٹا بڑھانے کے لئے زیادہ سے زیادہ تصویر کے اعداد و شمار کے ساتھ کام کرتے وقت، اپنے زیادہ مؤثر طریقے سے مختلف ڈیٹا کی اقسام پر casting فضائی تبدیلیوں کا استعمال کرتے ہوئے، جیسے فلیپنگ، کاٹنے، rotation، وغیرہ. ڈیٹا بڑھانے کے بعد کے بعد نوٹ: کچھ آپشنز جیسے tf.image.resize شفاف طور پر dtype کو fp32 میں تبدیل کریں. اس بات کو یقینی بنائیں کہ آپ اپنے اعداد و شمار کو 0 اور 1 کے درمیان ٹھیک کریں اگر یہ خود کار طریقے سے نہیں کیا جاتا ہے. کچھ اوپس جیسے شفاف طریقے سے تبدیلی دو اس بات کو یقینی بنائیں کہ آپ اپنے اعداد و شمار کو معمول میں رکھیں اور اگر یہ خود کار طریقے سے نہیں کیا جاتا ہے تو، اس مرحلے کو بھولنے کے بعد غلطی اگر آپ کی اجازت ہے . Note: tf.image.resize dtype fp32 0 1 NaN AMP کے AMP کے NVIDIA® DALI کا استعمال کریں کچھ صورتوں میں، مثال کے طور پر، جب آپ کے پاس ایک نظام ہے جس میں ایک اعلی GPU-CPU رینج ہے، مندرجہ ذیل تمام بہتریاں CPU سائیکلوں کی محدودیتوں کی وجہ سے ڈیٹا لوڈر میں بوتل کو ختم کرنے کے لئے کافی نہیں ہوسکتی ہیں. اگر آپ کمپیوٹر بصیرت اور آڈیو گہری سیکھنے کے ایپلی کیشنز کے لئے NVIDIA® GPUs کا استعمال کرتے ہیں تو، ڈیٹا لوڈ لائبریری کا استعمال کرتے ہوئے غور کریں ( ڈیٹا پائپ لائن کو تیز کرنے کے لئے. ڈالی چیک کریں DALI ops کی حمایت کی ایک فہرست کے لئے دستاویزات. NVIDIA® DALI: آپریٹنگ Threading اور Parallel Execution کا استعمال کریں ایک سے زیادہ CPU تاروں پر آپریٹنگ آپریشنز چلائیں API ان کو تیز کرنے کے لئے. tf.config.threading TensorFlow automatically sets the number of parallelism threads by default. TensorFlow آپریشنز کو چلانے کے لئے دستیاب thread pool depends on the number of CPU threads available. TensorFlow automatically sets the number of parallelism threads by default. ایک ہی op کے لئے زیادہ سے زیادہ parallel speedup کو کنٹرول کریں یاد رکھیں کہ اگر آپ ایک ہی وقت میں کئی آپشنز چلاتے ہیں تو، وہ سب دستیاب ٹرانسپورٹ کا اشتراک کریں گے. tf.config.threading.set_intra_op_parallelism_threads اگر آپ کے پاس مستقل غیر بلاکنگ آپشنز ہیں (اپنے درمیان گراف میں کوئی ہدایت یافتہ راستہ نہیں ہے)، استعمال کریں ان کو دستیاب thread pool کا استعمال کرتے ہوئے ساتھ ساتھ چلانے کے لئے. tf.config.threading.set_inter_op_parallelism_threads مذاق NVIDIA® GPUs پر چھوٹے ماڈل کے ساتھ کام کرتے وقت، آپ تمام CPU ٹینسرز کو CUDA پینٹڈ میموری کے ساتھ تقسیم کرنے کے لئے مجبور کرنے کے لئے ماڈل کی کارکردگی کو اہم طور پر بڑھانے کے لئے. تاہم، نامعلوم / بہت بڑے ماڈلوں کے لئے اس اختیار کا استعمال کرتے وقت احتیاط کریں کیونکہ یہ میزبان (CPU) کارکردگی کو منفی اثر انداز کر سکتا ہے. tf.compat.v1.ConfigProto.force_gpu_compatible=True آلہ کی کارکردگی کو بہتر بنانے کے بہترین طریقوں کو یہاں اور اس میں تفصیل سے پیروی کریں آلہ پر TensorFlow ماڈل کی کارکردگی کو بہتر بنانے کے لئے. GPU کی کارکردگی کو بہتر بنانے کی ہدایات اگر آپ NVIDIA GPUs استعمال کرتے ہیں تو، GPU اور میموری استعمال کو ایک CSV فائل میں لاگ ان کریں: nvidia-smi --query-gpu=utilization.gpu,utilization.memory,memory.total, memory.free,memory.used --format=csv ڈیٹا لنک کی ترتیب ڈیٹا کے ساتھ کام کرتے وقت جو چینل کی معلومات (مثال کے طور پر تصاویر) پر مشتمل ہے، آخری چینلوں (NHWC مقابلے میں NCHW) کو ترجیح دینے کے لئے ڈیٹا کی ترتیب فارمیٹ کو بہتر بنائیں. چینل آخری ڈیٹا فارمیٹس بہتر استعمال اور خاص طور پر کنوولیشن ماڈلوں میں خاص طور پر کارکردگی میں اہم بہتریاں فراہم کرتے ہیں جب AMP کے ساتھ مشترکہ طور پر. NCHW ڈیٹا لیپنگز اب بھی Tensor Cores کی طرف سے کام کیا جا سکتا ہے، لیکن خود کار طریقے سے ٹرانسپورٹ آپشنز کی وجہ سے اضافی اوورچائن کی پیشکش کی جاتی ہے. ٹینسر کور آپ ڈیٹا لیپ ٹیسٹ کو بہتر بنانے کے لئے NHWC لیپ ٹیسٹ کو ترجیح دے سکتے ہیں اس طرح کے لیموں کے لئے ، اور . data_format="channels_last" tf.keras.layers.Conv2D tf.keras.layers.Conv3D tf.keras.layers.RandomRotation استعمال کریں Keras backend API کے لئے معاوضہ ڈیٹا layout فارمیٹ مقرر کرنے کے لئے. tf.keras.backend.set_image_data_format Max out the L2 کیچ NVIDIA® GPUs کے ساتھ کام کرتے وقت، تربیت کے چیلنج سے پہلے مندرجہ ذیل کوڈ ٹکٹ کو execute کریں تاکہ L2 ہٹچ granularity کو 128 بائٹ تک زیادہ سے زیادہ حاصل کریں. import ctypes _libcudart = ctypes.CDLL('libcudart.so') # Set device limit on the current device # cudaLimitMaxL2FetchGranularity = 0x05 pValue = ctypes.cast((ctypes.c_int*1)(), ctypes.POINTER(ctypes.c_int)) _libcudart.cudaDeviceSetLimit(ctypes.c_int(0x05), ctypes.c_int(128)) _libcudart.cudaDeviceGetLimit(pValue, ctypes.c_int(0x05)) assert pValue.contents.value == 128 GPU Thread کا استعمال کریں GPU thread mode GPU threads کو کس طرح استعمال کیا جاتا ہے. Thread mode کے لئے اس بات کو یقینی بنانے کے لئے کہ پیش پروسیسنگ تمام GPU تاروں کو چوری نہیں کرتا. یہ تربیت کے دوران کورل کی شروع کی تاخیر کو کم کرے گا. آپ GPU فی تاروں کی تعداد بھی مقرر کرسکتے ہیں. ان اقدار کو ماحول متغیر کا استعمال کرتے ہوئے مقرر کریں. gpu_private import os os.environ['TF_GPU_THREAD_MODE']='gpu_private' os.environ['TF_GPU_THREAD_COUNT']='1' GPU میموری کے اختیارات عام طور پر، بیٹری سائز کو بڑھائیں اور GPUs کو بہتر استعمال کرنے اور زیادہ ٹرانسمیشن حاصل کرنے کے لئے ماڈل کو سائز کریں. یاد رکھیں کہ بیٹری سائز کو بڑھانے سے ماڈل کی درستگی کو تبدیل کرے گا، لہذا ماڈل کو ہائیپر پیرامیٹرز جیسے سیکھنے کی شرح کو ہدف کی درستگی کو پورا کرنے کے لئے تنصیب کی طرف سے سائز کی ضرورت ہوتی ہے. استعمال کریں GPU میموری کو بڑھانے کی اجازت دینے کے لئے تمام دستیاب میموری کو ان آپشنز کے لئے مکمل طور پر توسیع کرنے سے روکنے کے لئے جو صرف میموری کے ایک حصے کی ضرورت ہوتی ہے. tf.config.experimental.set_memory_growth مزید جاننے کے لئے، چیک کریں مزید جاننے کے لئے GPU گائیڈ میں ہدایات. GPU میموری کی ترقی کو محدود کریں مذاق ٹریننگ مینی بیچ سائز کو بڑھائیں (ٹریننگ لنک کے ایک بارٹ میں ایک آلہ پر استعمال ہونے والے ٹریننگ نمونوں کی تعداد) اس حد تک جس میں GPU پر ایک out of memory (OOM) غلطی کے بغیر ملتا ہے. batch سائز کو بڑھانے سے ماڈل کی درستگی پر اثر انداز ہوتا ہے، لہذا ہیرپرامیٹرز کو ہدف کی درستگی کو پورا کرنے کے لئے تنصیب کرکے ماڈل کا سائز بنائیں. پروڈکشن کوڈ میں ٹینسٹر توسیع کے دوران OOM غلطیوں کی رپورٹنگ کو غیر فعال کریں. set report_tensor_allocations_upon_oom=False in tf.compat.v1.RunOptions. Convolution layers کے ساتھ ماڈلوں کے لئے، batch normalization کا استعمال کرتے ہوئے bias اضافے کو ہٹا دیں. Batch normalization ان کے اوسط کے ساتھ اعداد و شمار کو تبدیل کرتا ہے اور یہ ایک مستحکم bias اصطلاح کی ضرورت کو ہٹا دیتا ہے. TF اعداد و شمار کا استعمال کرتے ہوئے تلاش کریں کہ کس طرح مؤثر طریقے سے آلات پر آپریشنز چل رہے ہیں. کام کرنے کے لئے tf.function کا استعمال کریں اور اختیاری طور پر، jit_compile=True پرچم کو فعال کریں (tf.function(jit_compile=True). مزید معلومات کے لئے، XLA tf.function کا استعمال کریں. مرحلے کے درمیان میزبان پائٹون آپریشنز کو کم کریں اور کالبک کو کم کریں ۔ ہر مرحلے کے بجائے ہر مرحلے کے بجائے چند مرحلے میں میٹرک کا شمار کریں ۔ آلہ کمپیوٹر یونٹس کو مشغول رکھیں. ایک ہی وقت میں کئی آلات پر ڈیٹا بھیجیں. 16 بٹ اعداد و شمار کی نمائندگیوں کا استعمال کرتے ہوئے، جیسے fp16 - IEEE کی طرف سے مخصوص طور پر نصف درست floating point فارمیٹ - یا Brain floating-point bfloat16 فارمیٹ. اضافی وسائل TensorFlow پروفائلر: Keras اور TensorBoard کے ساتھ پروفائل ماڈل کی کارکردگی کی ہدایات جہاں آپ اس ہدایات میں تجاویز کو لاگو کر سکتے ہیں. TensorFlow 2 میں کارکردگی کے پروفائلنگ TensorFlow Dev Summit 2020 سے بات کرتے ہیں. TensorFlow پروفیلر ڈیمو TensorFlow Dev Summit 2020 سے. محدودیتیں جانتے ہیں TensorFlow 2.2 اور TensorFlow 2.3 پر کئی GPUs کی پروفائلنگ TensorFlow 2.2 اور 2.3 صرف ایک ہی میزبان سسٹم کے لئے ایک سے زیادہ GPU پروفائلنگ کی حمایت کرتا ہے؛ ایک سے زیادہ میزبان سسٹم کے لئے ایک سے زیادہ GPU پروفائلنگ کی حمایت نہیں کی جاتی ہے. آگ ہے tf.profiler.experimental.client.trace CUDA® Toolkit 10.2 یا اس سے اوپر کی ضرورت ہے کہ ایک سے زیادہ GPUs کو پروفائل کرنے کے لئے. TensorFlow 2.2 اور 2.3 CUDA® Toolkit ورژن صرف 10.1 تک کی حمایت کرتا ہے، آپ کو symbolic لنکس بنانے کی ضرورت ہے اور : libcudart.so.10.1 libcupti.so.10.1 sudo ln -s /usr/local/cuda/lib64/libcudart.so.10.2 /usr/local/cuda/lib64/libcudart.so.10.1 sudo ln -s /usr/local/cuda/extras/CUPTI/lib64/libcupti.so.10.2 /usr/local/cuda/extras/CUPTI/lib64/libcupti.so.10.1 اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. اصل میں TensorFlow ویب سائٹ پر شائع کیا گیا، یہ مضمون یہاں ایک نیا عنوان کے تحت ظاہر ہوتا ہے اور CC BY 4.0 کے تحت لائسنس کیا جاتا ہے. TensorFlow کے لئے TensorFlow کے لئے