TensorFlow 開發者峰會：推出 TensorFlow.js，支持 Swift，TF 將更易於使用

知識 04-01

美國時間 3 月 31 號，我們在加利福尼亞州山景城的計算機歷史博物館舉辦第二屆 TensorFlow 開發者峰會。本屆峰會吸引了超過 500 名 TensorFlow 用戶親臨現場，數萬名來自世界各國的觀眾觀看了本次峰會的直播。活動當天 TensorFlow 團隊和邀請嘉賓舉行了多場技術講座，並且發布了多款新產品。

機器學習正在被用來解決挑戰性問題，這影響了全世界所有人。我們原以為不可能解決或太複雜的問題現在可以用這項技術來解決，TensorFlow 在許多不同的領域都取得了巨大的進步。例如：

天體物理學家使用 TensorFlow 分析開普勒任務中的大量數據，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幾率。

空中交通管制員用它來預測飛機最有可能行經的路線，以確保飛機安全著陸。

工程師使用 TensorFlow 分析熱帶雨林中的聲音數據，以檢測伐木車和其他非法活動。

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。

我們欣喜於看到 TensorFlow 的這些驚人用途，並致力於讓更多的開發者有機會使用 TensorFlow。因此，我們很高興地發布以下這些能夠提升開發者體驗的更新：

我們讓 TensorFlow 更易於使用

研究人員和開發者都希望簡化 TensorFlow 的使用方法。我們引入了eager execution，對於 Python 開發者來說，這是一種更直觀的編程模型，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代碼生成等價的計算圖和估算器 (Estimator) 高級 API，進行大規模訓練。我們正在努力使這裡面的轉換過程在未來變得更加順暢。

我們還發布了一種新的更簡單的模型，用於在單台機器上的多個 GPU 上運行估算器 (Estimator) 。您可以以最少的代碼改動獲得最大的性能提升。

隨著機器學習模型變得越來越複雜，我們希望讓開發者更容易調試和共享它們。我們還推出了TensorFlow Hub，旨在促進模型的可重複使用部分的發布、發現和使用。這些模塊是一塊塊獨立的 TensorFlow 計算圖，可以在不同的任務中重複使用。它們包含了已在大型數據集上預先訓練好的變數，並且可以用一個較小的數據集進行再訓練，來提高泛化能力，或是加速訓練。

另外，我們發布了一個新的互動式圖形化調試插件，作為 TensorBoard 可視化工具的一部分，它可以幫助您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。

模型訓練只是機器學習過程的一部分，開發者需要一種端對端地構建真實世界機器學習系統的解決方案。為此，我們宣布推出TensorFlow Extended (TFX)，這是一個機器學習平台，可讓開發者準備數據、訓練、驗證並把訓練好的模型快速部署在生產環境提供可用的服務。

TensorFlow 可用於更多語言和平台

除了使 TensorFlow 更易於使用之外，我們也很高興地宣布，開發者可以在一些新的語言中使用 TensorFlow 了。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里定義和訓練模型，還可以導入離線訓練的 TensorFlow 和 Keras 模型進行預測，並可以對 WebGL 實現無縫支持。

在瀏覽器中使用 TensorFlow.js 進行機器學習為我們開啟了令人興奮的新的可能性，包括互動式的機器學習，還有一些所有數據都保存在客戶端的使用場景。例如， Emoji 尋寶遊戲就是使用 TensorFlow.js 構建的應用程序。

對於 Swift 開發者來說，我們也有一些令人興奮的消息要公布：TensorFlow for Swift 將在這個 4 月開源，目前是個初期階段的開源項目，敬請期待未來更多的更新。

我們非常興奮能夠分享一些關於TensorFlow Lite平台的最新進展。它是 TensorFlow 跨平台、輕量級的解決方案，來把訓練好的機器學習模型部署到手機和其它終端。除了現有的對 Android 和 iOS 的支持外，我們還增加了對 Raspberry Pi 系統的支持，並由演示了開發者如何在自己的應用程序中輕鬆使用 TensorFlow Lite。

開發者可以利用 TensorFlow Lite 中的「自定義操作」來輕鬆連接進自己的操作。另外，還有一些令人興奮的數據要分享：TensorFlow Lite 的核心解釋器大小僅為 75KB（對於 TensorFlow 1.1 MB），對比 TensorFlow，當運行一些量化模型時，TensorFlow Lite 速度提升高達 3 倍。

對於硬體的支持，TensorFlow 現在與 NVIDIA 的TensorRT集成。TensorRT 是一個庫，用於優化深度學習模型以進行預測，並為生產環境創建部署在 GPU 上的運行環境。它為 TensorFlow 帶來了許多優化，並自動選擇特定平台的內核以最大化吞吐量，並最大限度地減少 GPU 預測期間的延遲。

運行 TensorFlow 的平台還包括Cloud TPUs，上月我們發布了其 Beta 版本。Cloud TPUs 可加速各種機器學習模型，比如進行圖像分類、目標檢測、機器翻譯、語音識別、語言建模等。您可以快速地從一些高質量的開源代碼開始，因為這些代碼經過持續地針對準確性和性能的測試，而且有豐富的文檔。

在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數據分析問題，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。該庫由概率分布、採樣方法、新的指標和損失函數等模塊構成。對許多經典機器學習方法也增加了支持。比如，可以用現成的高級類庫，輕鬆地訓練和部署 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。我們發布了Nucleus，這是一個在 TensorFlow 中用於讀取、寫入和過濾通用基因組文件格式的庫，它將與DeepVariant（一個基於 TensorFlow 開放源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。

拓展社區資源與參與

這些 TensorFlow 的進展，目的是讓用戶和貢獻者這個社區受益，並且變得更加壯大，正是這成千上萬的人共同推動 TensorFlow 成為了全球最火的機器學習框架之一。為了繼續與社區合作並與 TensorFlow 保持同步，我們建立了 TensorFlow 的官方博客和YouTube 頻道。

我們還專門為支持特定項目的開源工作設計了全新的郵件列表以及特殊興趣小組，便於更輕鬆地開展開源項目的合作。如果想了解如何參與其中，請訪問 TensorFlow 社區頁面：

https://tensorflow.google.cn/community

我們非常感謝在過去的兩年中每一個幫助 TensorFlow 成為一個成功的機器學習框架的人們。感謝您的參與，也感謝您的觀看！

計算機視覺基礎（從演算法到實戰應用）班

限時拼團，最後一周

已有100+人參加了此拼團

最高每人優惠200元！

新人福利

關注 AI 研習社（okweiwu），回復1領取

【超過 1000G 神經網路 / AI / 大數據資料】