2018 TensorFlow開發者峰會都發布了哪些殺器？

AI前線發表於2019-02-06
2018 TensorFlow開發者峰會都發布了哪些殺器？
策劃｜Natalie
編譯｜無明
AI 前線導讀： 美國時間 3 月 31 號，第二屆 TensorFlow 開發者峰會在美國加州山景城的計算機歷史博物館拉開帷幕。超過 500 名 TensorFlow 使用者來到現場參加大會，同時還有數千名來自世界各地的使用者通過直播瞭解大會情況。TensorFlow 團隊及其他演講者在會上釋出了眾多新產品，同時也帶來了很多技術乾貨。

更多幹貨內容請關注微信公眾號“AI 前線”，（ID：ai-front）

機器學習為人類帶來了無限可能性。TensorFlow 已經被應用到眾多領域，並取得了可喜的成果。

  • 天體物理學家使用 TensorFlow 分析大量來自 NASA 的資料，發現了新的行星。

  • 醫學研究人員使用 TensorFlow 來評估病人罹患心血管疾病的風險。

  • 空中交通指揮中心使用 TensorFlow 來預測飛機的飛行路徑，讓飛行更安全、著陸更高效。

  • 工程師使用 TensorFlow 分析熱帶雨林的監測資料，用以檢測伐木車和其他非法活動。

  • 非洲的科學家使用 TensorFlow 檢測木薯植物的患病情況，幫助農民增加收成。

在大會上，TensorFlow 團隊宣佈了 TensorFlow 的最新特性，這些特性將給開發者帶來更好的開發體驗。

TensorFlow 變得更容易使用

開發者希望 TensorFlow 能夠進一步提升易用性，於是 TensorFlow 團隊為 Python 開發提供了一個直觀的程式設計模型，叫作“eager execution”（https://www.tensorflow.org/programmers_guide/eager ）。開發者可以基於該模型開發程式碼，然後使用相同的程式碼生成用於訓練的計算圖。TensorFlow 團隊還提供了一種在單臺機器的多個 GPU 上執行評估模型的方法，開發者可以在只改動少量程式碼的情況下快速地擴充套件模型。

機器學習模型變得越來越複雜，為了幫助開發者更好地分享和重用模型，TensorFlow 團隊推出了 TensoFlow Hub（http://tensorflow.org/hub ），用於釋出和查詢可重用的模組（TensorFlow 圖的獨立片段）。這些模組已經包含了權重資訊，而且可能已經在大資料集上預訓練過，可以直接用在開發者的應用程式中。通過重用這些模組，開發者只需要在更小的資料集上訓練模型，從而加快了訓練速度。他們還發布了一個互動式的除錯外掛（https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/debugger/README.md ），作為 TensorBoard 視覺化工具的一部分，開發者可用它實時地跟蹤計算圖的內部節點。

2018 TensorFlow開發者峰會都發布了哪些殺器？

模型訓練只是機器學習過程的步驟之一，開發者需要一種端到端的解決方案來構建真實的機器學習系統。為此，TensorFlow 團隊釋出了 TensorFlow Extended（TFX）路線圖，同時推出了 TensorFlow Model Analysis，一個組合了 TensorFlow 和 Apache Beam 強大計算能力的開源庫。現在，開發者已經能夠基於已釋出的 TFX 元件（包括 TensorFlow Model Analysis、TensorFlow Transform、Estimators 和 TensorFlow Serving）進行資料準備、資料訓練、資料驗證，以及將模型部署到生產環境。

2018 TensorFlow開發者峰會都發布了哪些殺器？

TensorFlow 支援更多的語言和平臺

現在，開發者可以在更多的程式語言中使用 TensorFlow。TensorFlow.js（https://js.tensorflow.org ）是最新推出的一個 JavaScript 機器學習框架。使用 TensorFlow.js 在瀏覽器上進行機器學習為我們帶來了新的可能性，包括互動式的機器學習和基於客戶端資料的機器學習。開發者可以使用該框架在瀏覽器上訓練模型，或者匯入離線訓練的 TensorFlow 和 Keras 模型，然後使用 WebGL 加速進行推理。這個遊戲（https://emojiscavengerhunt.withgoogle.com ）就是使用 TensorFlow.js 開發的。

2018 TensorFlow開發者峰會都發布了哪些殺器？

用於 Swift 的 TensorFlow（https://www.tensorflow.org/community/swift ）將於 4 月份開源，這對於 Swift 開發者來說無疑是個激動人心的好訊息。它整合了原生的編譯器和語言支援，基於 eager execution 模型提供了強大的圖計算能力。該專案還在開發當中，後續會有更多進展。

TensorFlow Lite 也迎來了更新。除了 Android 和 iOS，現在還支援 Raspberry Pi。TensorFlow Lite 的核心解析器只有 75KB 大小（TensorFlow 的為 1.1MB），執行量化圖形分類模型的速度最快可以達到 TensorFlow 的 3 倍。

在硬體方面，TensorFlow 整合了 NVIDIA 的 TensorRT。TensorRT 是一個機器學習庫，用於優化深度學習模型以及建立執行時以便在 GPU 上部署模型。這給 TensorFlow 帶來了多方面的優化，可以自動選擇特定的平臺核心，在 GPU 上進行推理時最大化吞吐量和最小化延遲。

對於那些在 CPU 上執行 TensorFlow 的使用者來說，TensorFlow 的合作伙伴英特爾釋出了用於深度學習的 MKL-DNN 開源庫。據觀察，在任意英特爾 CPU 平臺上執行推理時，速度有了 3 倍的提升。

執行 TensorFlow 的平臺在增多，包括 Cloud TPU 在內。谷歌 Cloud TPU 團隊已經將執行 ResNet-50 的速度提升了 1.6 倍，這些改進將會在 1.8 版本中開放給 TensorFlow 使用者。

將 TensorFlow 應用到新的領域

很多資料分析問題是通過統計和概率的方法來解決的。除了深度學習和神經網路模型，TensorFlow 還提供了 TensorFlow Probability API（https://github.com/tensorflow/probability ），用於進行貝葉斯分析。這套 API 提供了一些構建塊，如概率分佈、取樣方法和最新的度量指標和損失。

機器學習和 TensorFlow 已經在很多領域幫助人類解決了關鍵性挑戰。下一個 TensorFlow 可能進入的領域是基因學，這也就是為什麼 TensorFlow 團隊釋出了 Nucleus 庫（https://www.github.com/google/nucleus ），用於讀取、寫入和過濾公共基因檔案格式，以便在 TensorFlow 中使用。同時釋出的還有 DeepVariant（https://github.com/google/deepvariant/blob/r0.5/README.md ），一個基於 TensorFlow 的工具，用於發現基因變異，這將給基因研究帶來重大幫助。

豐富社群資源和提高參與度

TensorFlow 的這些更新是獻給社群使用者和貢獻者的厚禮，數千名社群貢獻者讓 TensorFlow 成為流行的機器學習框架之一。為了加強社群的參與度和密切關注 TensorFlow 的進展，TensorFlow 團隊開通了 TensorFlow 部落格（http://blog.tensorflow.org ）和 TensorFlow YouTube 頻道（http://youtube.com/tensorflow ）。

他們還啟動了新的郵件組（http://tensorflow.org/community/lists ）和特別興趣使用者組（https://tensorflow.org/community/contributing#special_interest_groups ），如果向加入社群，可以訪問 TensorFlow 社群主頁（https://tensorflow.org/community ），或者關注 TensorFlow 的 Twitter（http://twitter.com/tensorflow ）獲得最新的訊息。

原文連結：

https://medium.com/tensorflow/highlights-from-tensorflow-developer-summit-2018-cd86615714b2

相關文章