四周年 | 回顾 2019，展望 2020

文 / TensorFlow Team

对于 TensorFlow 来说，2019 年是激动人心的一年。2019 年，我们发布了 TensorFlow 2.0 并更新了多款产品，同时在 11 个国家或地区举办了 Roadshow 并召开了首届 TensorFlow World 大会。活动全都围绕同一主题展开 —— TensorFlow 如何帮助世界各地的开发者、研究人员和企业通过机器学习 (ML) 解决一个个充满挑战的现实问题。

TensorFlow 迎来了四周岁生日，让我们一起来回顾过去一年所做的努力，一同展望 2020 年。

TensorFlow 开发者峰会和 TensorFlow 2.0

我们在加利福尼亚州森尼韦尔 (Sunnyvale, CA) 举办了 第三届开发者峰会  ，由此开启了 2019 年。本届开发者峰会共有千余名参会者齐聚一堂，还有数千人参与了我们的 现场直播，会议规模再创新高。会上，我们发布了 TensorFlow 2.0 Alpha 版，这是我们迄今为止最大规模的一次发布，帮助开发者轻松上手搭建 ML 系统。

会上，我们还公布了新的教育资源：在 Coursera 平台上的 deeplearning.ai 课程和 Udacity 的合作课程，以期构建多样化的课程，助力培养新一代 ML 用户。

TensorFlow Dev Summit 2019

TensorFlow 在设备端实现 ML

设备端运行 TensorFlow 在 2019 年取得了长足进步：从辅助测量空气质量的应用到 Coral Dev Board，再到 I/O 演讲台上的现场演示。在 TensorFlow Lite 更新中，我们为模型优化工具包添加了用于训练后的半精度浮点量化 (float16 量化) 和新的剪枝 API，同时也发布了适用于微控制器的 TensorFlow Lite 指南。

随着 ML 在众多不同的平台和设备上运行，我们很高兴宣布推出 MLIR 这一灵活的基础设施，它可以解决由日益增长的软件和硬件碎片化所带来的复杂性，还可降低 AI 应用的构建难度。

TensorFlow Roadshow

为与世界各地的当地社区建立联系，我们在超过 11 个城市举办了 TensorFlow Roadshow。在 Roadshow 中，TensorFlow 社区成员相聚一堂，共同探讨开发心得、分享社区亮点集锦。

我们希望您也能参与到其中来，若无法参与，通过论坛、用户小组和特殊兴趣小组 (SIG) 亦可加入到社区的讨论与学习。你也可以关注我们的微信公众号，及时了解 2020 年 TensorFlow Roadshow 是否会在您的城市举办！

社区动态

TensorFlow 能成为全球最受欢迎的 ML 平台之一，TensorFlow 社区功不可没。2019 年，TensorFlow 社区同样为整体生态做出了巨大贡献！从在 Stack Overflow 上解答问题，到与 Twitter (@tensorflow) 用户积极互动，再到创建 TensorFlow User Group (TFUG) 和专业兴趣小组 (SIGs) 以及帮助翻译文档，社区今年为 TensorFlow 生态系统的各个方面都做出了重大贡献。此外，我们还希望通过重新设计 tensorflow.google.cn、翻译文档和开设新博客来改善开发者的体验并为开发者提供更好的支持。

在 Devpost 上开展 #TFWorld 2.0 挑战赛

我们首次参加了 Google Code-in 竞赛，这是一场全球性的在线竞赛，旨在带领青少年走进开放源代码开发的世界。

我们还在 DevPost 发起了 TF 2.0 Hackathon，以便开发者们分享您最新最具创意的项目，同时赢取奖励。

此外，我们还与 Kaggle 合作举办了一项竞赛，向您发起问答任务挑战赛。这项竞赛将持续到 2020 年 1 月 22 日，并将于今年 TensorFlow 开发者峰会上宣布获奖者。希望您能够取得好成绩！

TensorFlow 2.0 正式发布

我们在 2019 年开发者峰会上宣布了 TensorFlow alpha 版，随后在 9 月正式发布 TensorFlow 2.0 版！在开发阶段，社区的开发者们为我们提供了诸多建议，最终诞生了这个可以在任何设备上运行的易用平台。

插件和扩展程序是 TensorFlow 生态系统的重要组成部分，因此我们想要确保它们也能兼容 2.0 版。您现可在 2.0 版中使用 TF Probability、TF Agents 和TF Text 等流行库。此外，我们还引入了众多新库，以更实用的方式帮助研究人员和 ML 从业者开展工作，如神经结构化学习 (Neural Structure Learning) 和新的公平性指标 (Fairness Indicators) 插件。

想从 TensorFlow 1.x 转换到 2.0？我们的团队编写了一份迁移指南和 TensorFlow 2.0 高效利用指南。

TensorFlow World

年底，我们与 O’Reilly Media 合作在圣克拉拉会议中心举办了首届 TensorFlow World 大会。千余名机器学习爱好者出席了此次活动，还有上万人观看了现场直播。

此次活动包含为期两天的技术培训和为期两天的编程主题演讲。活动中，我们还发布了一些激动人心的内容，其中包括：

TensorFlow Hub 和 TensorBoard.dev 的更新

我们更新了 TensorFlow Hub 的使用体验，可让您更直观地在 TensorFlow 生态系统中找到所有预训练模型，如 BERT。这意味着您可以找到与图像、文本、视频等相关的模型，从而能够与 TensorFlow Lite 和 TensorFlow.js 配合使用。

TensorFlow 的可视化工具包 TensorBoard 可以帮助每个人详细地分析 ML 实验。在 TensorFlow World 大会上，我们还公布了一款托管式 TensorBoard：TensorBoard.dev，您可以用它上传 ML 实验结果并与他人分享探讨。现在，您将能托管和追踪自己的所有 ML 实验并轻松、免费分享，无需进行任何设置。您只需上传日志并点击创建 URL！

全新教育资源

我们在 tensorflow.google.cn 上添加了学习 ML 的页面，该页面提供书籍、课程和视频资源，可帮助用户增进对 ML 的了解并学习如何应用。此外，我们还发布了与 deeplearning.ai 合作的，由 4 门子课程组成的专项课程 “TensorFlow:Data and Deployment”。

合作伙伴加速计划

对于企业来说，寻找合适的资源来实施 ML 解决方案可能十分困难。为向企业提供帮助，我们推出了 TensorFlow 合作伙伴加速计划。TensorFlow 合作伙伴加速计划将已通过 TensorFlow 团队验证的系统集成商与开始使用 ML 的企业联系起来。现有的可信合作伙伴有埃森哲、高知特、Quantiphi 和 Wipro。

TensorFlow 2.1 RC 现已发布

我们在 11 月，公布了 TensorFlow 2.1 的 RC 版本，此版延续了 TensorFlow 2.0 的发展并进行了重大改进和问题修复。如需更多详情，请前往 GitHub 查看版本说明。TensorFlow 2.1 版中现已添加 Cloud TPU 支持。这意味着在高性能训练场景中，借助 Distribution Strategy API，您现只需略加修改代码即可分布训练，并在 Cloud TPU 上获得出色的开箱即用性能。如需更多详情，请查看分布式训练指南。

此外，2.1 版中默认包含一个 pip 软件包，可以为 Linux 和 Windows 设备提供 GPU 支持，无论设备是否配备 NVIDIA GPU 皆是如此。此外，TensorFlow 现还支持 CUDA 10.1，并且在 GPU 和 Cloud TPU 上均提供混合精度实验支持。同时，现已支持并默认启用 TensorRT 6.0，这将为 TensorFlow 算子提供更多支持。

2020 年展望

度过了如此精彩的 2019 年，2020 年 TensorFlow 又会有怎样的计划？如果您愿意提供反馈，您可以填写这份表单提供联系方式，我们将会联系您以了解您对 TensorFlow 生态系统的功能及其他相关方面的需求。

我们会举办更多精彩活动，期待您的参与！您可以注册我们的每月简报，以获取产品、活动和社区动态的最新消息。

下方列出后续一些重要活动的日程安排：

• 1 月 23 日(截止)： Google Code-In (https://codein.withgoogle.com/)。
• 3 月 11 日至 12 日：2020 年开发者峰会，不要忘了 申请邀请函  (http://goo.gle/34O4hN7)。

• 10 月 19 日至 22 日：TensorFlow World

TensorFlow 团队全体成员在此向大家致谢！从前沿研究到项目中奇思妙想的落地，再到现实世界中的应用，TensorFlow 社区一直持续推动与推进 TensorFlow 的改善。因为有了你们，我们才能提供信息、激励与鼓励、助力全球 ML 用户的愿景。我们迫不及待地想要看到，未来几年，我们的全球性机器学习社区将如何推动 TensorFlow。

我们期待接下来的 4 年更加精彩！

如果您想详细了解 本文提及 的相关内容，请参阅以下文档。这些文档深入探讨了这篇文章中提及的许多主题：

• deeplearning.ai
  https://www.coursera.org/learn/introduction-tensorflow
  

• Udacity
  https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187
  

• I/O
  https://www.youtube.com/playlist?list=PLQY2H8rRoyvy2_vtWvCpQWM9GJXNTa5rV
  

• 论坛
  https://tensorflow.google.cn/community/forums
  

• 用户小组
  https://tensorflow.google.cn/community/groups
  

• 特殊兴趣小组
  https://github.com/tensorflow/community/tree/master/sigs
  

• Stack Overflow 
  https://stackoverflow.com/questions/tagged/tensorflow

• TensorFlow User Group (TFUG)
  https://tensorflow.google.cn/community/groups
  

• 兴趣小组
  https://tensorflow.google.cn/community/forums#special_interest_groups

• 翻译文档
  https://tensorflow.google.cn/community/contribute/docs
  

• 博客
  http://blog.tensorflow.google.cn/

• Google Code-in
  https://codein.withgoogle.com/
  

• TF 2.0 Hackathon
  http://tfworld.devpost.com/
  

• Kaggle 竞赛
  https://www.kaggle.com/account/login?returnUrl=%2Fc%2Ftensorflow2-question-answering
  

• TensorFlow 开发者峰会
  https://tensorflow.google.cn/dev-summit
  

• TF Agents
  https://github.com/tensorflow/agents
  

• 公平性指标
  https://tensorflow.google.cn/tensorboard/fairness-indicators
  

• 迁移指南
  https://tensorflow.google.cn/guide/migrate
  

• TensorFlow World 
  https://v.youku.com/v_show/id_XNDQyMDUyNzE4OA==.html?spm=a2hzp.8253876.0.0&f=52334748

• 学习 ML
  https://tensorflow.google.cn/resources/learn-ml
  

• TensorFlow:Data and Deployment
  https://www.coursera.org/specializations/tensorflow-data-and-deployment

• deeplearning.ai
  https://www.deeplearning.ai/tensorflow-in-practice/
  

• TensorFlow 合作伙伴加速计划
  https://tensorflow.google.cn/trusted-partners
  

• 版本说明
  https://github.com/tensorflow/tensorflow/releases/tag/v2.1.0-rc0
  

• Distribution Strategy API
  https://tensorflow.google.cn/guide/distributed_training

• TensorRT 6.0
  https://developer.nvidia.com/tensorrt#tensorrt-whats-new
  

• 表单
  https://google.qualtrics.com/jfe/form/SV_40mw5Z7LtmdYHtP
  

• 简报
  https://services.google.com/fb/forms/tensorflow/