TensorFlow AI 新品更易用！聯手NVIDIA，支援Swift和JavaScript



整理 | 費棋

出品 | AI科技大本營（公眾號ID：rgznai100）

天體物理學家使用 TensorFlow 分析開普勒任務中的大量資料，以發現新的行星；

醫學研究人員利用 TensorFlow 機器學習技術來評估一個人心臟病發作和中風的機率；

科學家在非洲用 TensorFlow 檢測木薯植物疾病，從而提高產量並幫助更好地滿足非洲大陸的糧食需求；

……

這是 TensorFlow 團隊對過去一年來的總結，他們在諸多領域取得了進步。

北京時間 3 月 31 日凌晨，第二屆 TensorFlow 開發者峰會開幕， TensorFlow 團隊釋出了多款新產品，旨在使開發者更易使用，以及讓資料科學家使用多種方式構建 AI 模型。

▌更易使用的 TensorFlow



為了讓開發者們易於使用，TensorFlow 團隊推出瞭解決這一問題的 5 款更新。

首先引入了 eager execution。根據 TensorFlow 官方介紹，這對 Python 開發者來說是一種更直觀的程式設計模型，它消除了構建和執行計算圖 (computational graph) 之間的界線。用 eager execution 開發，很容易便能用相同的程式碼生成等價的計算圖和估算器 (Estimator) 高階 API，進行大規模訓練。

為了用最少程式碼改動獲得最大的效能提升，他們還發布了一種新的更簡單的模型，用於在單臺機器上的多個 GPU 上執行估算器 (Estimator)(https://www.tensorflow.org/api_docs/python/tf/estimator/Estimator) 。

而推出的 TensorFlow Hub，旨在促進模型的可重複使用部分的釋出、發現和使用。這些模組是一塊塊獨立的 TensorFlow 計算圖，可以在不同任務中重複使用。它們包含了已在大型資料集上預先訓練好的變數，並且可以用一個較小的資料集進行再訓練，來提高泛化能力，或是加速訓練。



他們還發布了新的互動式圖形化除錯外掛，可作為 TensorBoard 視覺化工具的一部分，可以幫助開發者們使用豐富的互動式環境實時檢查並瀏覽計算圖的內部節點。

此外，推出的 TensorFlow Extended (TFX)是一個機器學習平臺，可讓開發者準備資料、訓練、驗證，並把訓練好的模型快速部署在生產環境中提供可用的服務。





▌支援更多語言和平臺的 TensorFlow

開發者可以在一些新的語言中使用 TensorFlow 了。TensorFlow 官方介紹說， TensorFlow.js 是給 JavaScript 開發者的一個新的機器學習框架，它可以完全在瀏覽器裡定義和訓練模型，還可以匯入離線訓練的 TensorFlow 和 Keras 模型進行預測，並可以對 WebGL 實現無縫支援。 



在瀏覽器中使用 TensorFlow.js 進行機器學習開啟了令人興奮的新的可能性，包括互動式機器學習，還有一些所有資料都儲存在客戶端的使用場景。例如， Emoji 尋寶遊戲就是使用 TensorFlow.js 構建的應用程式。

而對於 Swift 開發者，TensorFlow 團隊送出了一份大禮：TensorFlow for Swift 將在 4 月開源。 

TensorFlow 團隊還披露了一些關於 TensorFlow Lite 平臺的最新進展。除了對現有的對 Android 和 iOS 的支援外，還增加了對 Raspberry Pi 系統的支援，並演示了開發者如何在自己的應用程式中輕鬆使用 TensorFlow Lite。開發者可以利用 TensorFlow Lite 中的“自定義操作”來輕鬆連線自己的操作。

還有一些關於 TensorFlow Lite 的資料：它的核心直譯器大小僅為 75KB（對於 TensorFlow 1.1 MB），對比 TensorFlow，當執行一些量化模型時，TensorFlow Lite 速度提升高達 3 倍。

對於硬體的支援，TensorFlow 宣佈與 NVIDIA 的 TensorRT 進行整合。TensorRT 是一個庫，用於優化深度學習模型以進行預測，併為生產環境建立部署在 GPU 上的執行環境。它為 TensorFlow 帶來了許多優化，並自動選擇特定平臺的核心以最大化吞吐量，並最大限度地減少 GPU 預測期間的延遲。

在 Google 開發者部落格中對此有相關介紹，具體而言，它優化了 TensorFlow 中的 FP16 浮點數和 INT8 整型數，並能自動選擇針對特定平臺的核心，以最大化吞吐量，並能最大限度降低 GPU 推理期間的延遲。全新整合工作流程簡化了在 TensorFlow 中使用 TensorRT 的步驟，同時使 TensorFlow 達到了很高的效能水平。

 

通過測試，在 NVIDIA Volta Tensor 上，整合了 TensorRT 的 TensorFlow 執行 ResNet-50 比沒有整合 TensorRT 的 TensorFlow 執行速度提高了 8 倍。

此外，執行 TensorFlow 的平臺還增加了 Cloud TPUs，上個月他們釋出了其 Beta 版本。Cloud TPUs 可加速各種機器學習模型，比如進行影像分類、目標檢測、機器翻譯、語音識別、語言建模等。

▌新的應用和領域使用 TensorFlow

運用統計和概率方法可以解決許多資料分析問題，除了深度學習和神經網路模型之外，TensorFlow 現在還通過 TensorFlow Probability API 提供最先進的貝葉斯分析方法。 該庫由概率分佈、取樣方法、新的指標和損失函式等模組構成。對許多經典機器學習方法也增加了支援，比如，可以用現成的高階類庫，輕鬆訓練和部署 boosted decision trees。

 

機器學習和 TensorFlow 開始施展拳腳的另一個領域是基因組學。他們釋出了 Nucleus，這是一個在 TensorFlow 中用於讀取、寫入和過濾通用基因組檔案格式的庫，它將與 DeepVariant（一個基於 TensorFlow 開放原始碼的基因組變體探測工具）共同推動基因組學的全新研究進展。

總體而言，基於 TensorFlow 對 Google 戰略的重要性，這些更新的新功能都非常重要。為了與微軟、亞馬遜和 IBM 等其它科技巨頭進行競爭，TensorFlow 的進一步普及可能會鼓勵更多客戶使用 Google 雲平臺。Google 也寄希望於 TensorFlow 的普及來吸引頂尖的機器學習人才。

內容來源：TensorFlow 官方微信、Venturebeat

招聘

AI科技大本營現招聘AI記者和資深編譯，有意者請將簡歷投至：gulei@csdn.net，期待你的加入！

如果你暫時不能加入營長的隊伍，也歡迎與營長分享你的精彩文章，投稿郵箱：suiling@csdn.net

AI科技大本營讀者群（計算機視覺、機器學習、深度學習、NLP、Python、AI硬體、AI+金融、AI+PM方向）正在招募中，關注AI科技大本營微信公眾號，後臺回覆：讀者群，聯絡營長，新增營長請備註姓名，研究方向。

☟☟☟點選 | 閱讀原文 | 檢視更多精彩內容