一起看 I/O | TensorFlow 的最新资讯，一文全掌握

2021 年 5 月 25 日 TensorFlow

发布人：TensorFlow 团队

感谢各位参加我们的 2021 年线上 I/O 直播大会！虽然没能面对面交流，但我们仍希望今年此次活动的便利性更胜以往。在本文中，我们将总结主题演讲中涉及的一些更新。您可以观看下面的主题演讲视频，并在 Google 开发者 Youku 频道上找到所有主题演讲的视频。以下是按产品领域列出的一些更新摘要（视频中还有更多产品更新要点，请务必查看）。

Youku 频道
https://list.youku.com/albumlist/show/id_59675950

移动版和网站版 TensorFlow

TensorFlow Lite 运行环境将与 Google Play 服务绑定

我们在 I/O 上发布了 TensorFlow Lite 运行环境将与 Google Play 服务绑定，这意味着您无需将运行环境与应用一同发布。这可以大幅缩减您的应用软件包。现在，您在分发模型时不必担心运行环境。您可以立即注册抢先体验计划，我们预计会在今年晚些时候全面发布。

您现在可以在网站上运行 TensorFlow Lite 模型

现在，您所有的 TensorFlow Lite 模型都可以通过浏览器直接在网站上运行，只需使用全新 TFLite Web API 即可，这些 API 均与 TensorFlow.js 整合。这个基于任务的 API 支持运行所有 TFLite Task 库模型，可以进行图像分类、目标检测、图像分割，还可以解决许多 NLP 问题。该 API 还支持运行自定义的 TFLite 模型，只需调用简单直观的 TensorFlow.js 兼容 API 即可。在此特性的支持下，您可以通过单个堆栈，将您的移动设备和网站 ML 开发统一起来。

TFLite Web API
https://github.com/tensorflow/tfjs-models/tree/master/tasks
TFLite Task 库
https://tensorflow.google.cn/lite/inference_with_metadata/task_library/overview
自定义的 TFLite 模型
https://github.com/tensorflow/tfjs/tree/master/tfjs-tflite

设备端机器学习新网站

我们知道，开发者不易找到适应 Android、Web 和 iOS 的最有效方式。正因如此，我们创建了新的设备端机器学习网站，以帮助您找到适合自己的方式，例如从一站式转换至自定义模型，或从跨平台移动设备转换至浏览器内。其中包括将想法变成部署应用的途径，并包含过程中的所有步骤。

设备端机器学习网站
http://g.co/on-device-ml

性能分析

在性能方面，我们也在努力为 Android 开发者提供更多工具。TensorFlow Lite 包括内置的 Systrace 支持，并无缝整合了 Android 10 的 Perfetto。

TensorFlow Lite
https://tensorflow.google.cn/lite/performance/measurement

而且，性能改进并不仅限于 Android，对于 iOS 开发者而言，TensorFlow Lite 的内置支持基于 signpost 的性能分析。您可以在启用跟踪记录选项的情况下构建应用时，运行 Xcode 性能剖析器来查看路标事件，以便您进行更深入的研究，并在执行过程中细致地查看各个算子。

TFX

TFX 1.0：企业级正式版 ML

将您的 ML 模型从原型转化至正式版，需要许多基础架构。Google 创建 TFX 的原因在于我们需要针对 ML 产品和服务构建强大的框架，然后将其开源，以供其他人使用。其中包括对训练模型的支持，相关模型可用于移动应用和 Web 应用，以及基于服务器的应用。

与许多合作伙伴成功推出 Beta 版后，今天我们宣布推出 TFX 1.0，已为企业级正式版 ML 做好准备。TFX 包括企业级框架所需的所有内容，包括企业级支持、安全补丁程序、问题修复，以及针对整个 1.X 发行周期提供向后兼容性。此外，TFX 还能针对在 Google Cloud 上的运行提供强大支持，以及为移动应用、Web 应用和 NLP 应用提供支持。

如果您准备推出正式版 ML，TFX 随时为您所用。请访问 TFX 网站了解详情。

TFX 1.0 / TFX 网站
http://tensorflow.google.cn/tfx

Responsible AI

我们还将共享许多新工具，以帮助您在使用 ML 进行开发时始终将 Responsible AI 作为首要考虑因素。

Know Your Data

Know Your Data (KYD) 是一个新工具，可帮助 ML 研究人员和产品团队了解丰富的数据集（图像和文本），以改善数据和模型质量，同时显示并缓解公平性和偏向性问题。请通过上方链接试用交互式演示版，以了解详情。

Know Your Data
https://knowyourdata.withgoogle.com

People + AI Guidebook 2.0

创建 AI 解决方案时，体现责任心的关键在于采用以用户为中心的构建方式。为此，我们很高兴推出 People + AI Guidebook 2.0。此更新旨在通过大量新资源（包括代码、设计模式等等）帮助您践行以用户为中心的 AI 的最佳做法和指南！

People + AI Guidebook 2.0
https://pair.withgoogle.com/guidebook

还请查看我们的 Responsible AI 工具包，以更好地通过 TensorFlow 将 Responsible AI 做法整合至您的 ML 工作流中。

Responsible AI 工具包
https://tensorflow.google.cn/responsible_ai

Keras 中的决策森林

对随机森林和梯度提升树的新支持

ML 不仅仅用于神经网络。开始使用 TensorFlow 2.5 时，您可以使用熟悉的 Keras API 轻松训练强大的决策森林模型（包括随机森林和梯度提升树等最受欢迎的选项）。支持许多最先进的算法，用于训练、服务和解读模型，以完成分类、回归和排名的任务。就像使用 TensorFlow 训练任何其他模型一样，您可以使用 TF Serving 为您的决策森林提供服务。查看教程，并观看此次会议的视频。

决策森林模型
https://tensorflow.google.cn/decision_forests
教程
https://tensorflow.google.cn/decision_forests/tutorials/beginner_colab
视频
https://v.youku.com/v_show/id_XNTE1ODI1OTQ1Ng==.html?spm=a2hzp.8253869.0.0

适用于微控制器的 TensorFlow Lite

新的预存储开发板、实验和挑战赛

适用于微控制器的 TensorFlow Lite 帮助您在只有数 K 字节内存的微控制器和其他设备上运行 ML 模型。现在，您可以购买通过蓝牙连接浏览器的预存储 Arduino 开发板。您可以使用这些开发板来尝试新的 Experiments With Google，以便您做出手势，甚至创建自己的分类器，并运行自定义 TensorFlow 模型。如果您乐于挑战，我们也在挑战运行新的适用于微处理器的 TensorFlow Lite ，欢迎了解 TensorFlow 微控制器挑战赛。务必也要查看后续步骤中的 TinyML 研讨会视频。

适用于微控制器的 TensorFlow Lite
https://tensorflow.google.cn/lite/microcontrollers
Experiments With Google
https://experiments.withgoogle.com/collection/tfliteformicrocontrollers
TensorFlow 微控制器挑战赛
http://g.co/TFMicroChallenge

Google Cloud

Vertex AI：Google Cloud 上的托管式 ML 新平台

ML 模型只有在您将其实际投入生产时才具有价值。如您所知，有效且大规模地实现生产化可能具有挑战性。正因如此，Google Cloud 即将发布 Vertex AI，这是一个新的托管式机器学习平台，能够帮助您更快地进行实验和 AI 模型的部署。Vertex AI 的工具涉及开发者工作流的各个阶段，从为数据加标签到使用笔记本电脑和模型，再到预测工具和持续监控，全都整合在一个界面中。尽管您可能已经熟悉其中许多内容，但 Vertex AI 真正与众不同的是它引入了新的 MLOps 功能。现在，您可以使用我们的 MLOps 工具（例如 Vertex 流水线和 Vertex 功能商店）放心地管理模型，让可靠自助模型的维护和可重复性变得不那么复杂。

Vertex AI
https://cloud.google.com/vertex-ai

TensorFlow Cloud：从本地模型构建转换成云端分布式训练

TensorFlow Cloud 提供的 API 有助于轻松地将本地模型构建和调试转换成在 Google Cloud 上分布式训练和超参数调节。您可以直接从 Colab 或 Kaggle Notebook 内部，或是本地脚本文件发送模型，以在云端进行调整或训练，而无需使用 Cloud Console。我们近期新增一个网站和几个功能。如果您想了解详情，请务必查看。