2018年Google TensorFlow开发者峰会亮点总结- 专知

2018年Google TensorFlow开发者峰会亮点总结

本文由TensorFlow的产品经理Sandeep Gupta代表TensorFlow团队发布。

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

当地时间3月30日，在加州山景城的计算机历史博物馆举办了第二届TensorFlow开发者峰会。该活动汇集了500多名用户，成千上万的人在世界各地的TensorFlow活动中收听实况直播。这一天充满了新产品的发布，以及来自TensorFlow团队和客座发言人的技术讲座。

机器学习正在解决影响全世界每个人的具有挑战性的问题。我们认为不可能解决的问题或太复杂的问题现在都可以用这项技术解决。使用TensorFlow，我们已经看到了许多不同领域的巨大进步。例如:

天体物理学家们正在使用TensorFlow分析来自开普勒任务的大量数据，以发现新的行星。
医学研究人员正在使用含有TensorFlow的ML技术来评估一个人心脏病发作和中风的心血管风险。
空中交通管制员正在使用TensorFlow来预测飞行路线，通过拥挤的空域进行安全有效的着陆。
工程师们正在使用TensorFlow来分析雨林中的听觉数据，以检测伐木卡车和其他非法活动。
非洲的科学家们正在使用TensorFlow来检测木薯作物的疾病，以提高农民的产量。

机器学习正在解决影响全世界每个人的具有挑战性的问题

我们很高兴看到TensorFlow的这些神奇的应用，并致力于让更多的开发人员能够访问它。这就是为什么我们很高兴地宣布对TensorFlow的新更新，这将有助于提高开发人员的经验!

让TensorFlow更易于使用

研究人员和开发人员希望使用一种更简单的方法来使用TensorFlow。我们正在为Python开发人员集成一种更直观的编程模型，称为“eager execution”，它消除了计算图的构造和执行之间的区别。您可以用eager execution来开发，然后使用相同的代码生成使用Estimator高级API进行规模训练的等效图。我们还宣布了一种新方法，用于在一台机器上的多个gpu上运行Estimator模型。这使得开发人员可以用最少的代码更改快速扩展他们的模型。

随着机器学习模型变得越来越丰富和复杂，我们希望让开发人员更容易地共享、重用和调试它们。为了帮助开发人员共享和重用模型，我们发布了TensorFlow Hub，这是一个用于促进发布和发现模块的库(独立的TensorFlow图)，可以在类似的任务中重用。模块中包含了对大型数据集进行预训练的权重，可以在自己的应用程序中进行重新训练和使用。通过重用模块，开发人员可以使用更小的数据集训练模型，改进泛化，或者简单地加快培训。为了使调试模型更容易，我们还将发布一个新的交互式图形调试器插件，作为TensorBoard可视化工具的一部分，它可以帮助您实时地检查和跨越计算图的内部节点。

模型培训只是机器学习过程的一部分，开发人员需要一个解决方案来构建实际的ML系统。为此，我们宣布了TensorFlow扩展(TFX)的路线图，同时发布了TensorFlow模型分析(TensorFlow Model Analysis)，这是一个开源库，它结合了TensorFlow和Apache Beam的力量来计算和可视化评估指标。到目前为止已经发布的TFX的组件(包括TensorFlow模型分析、TensorFlow转换、估计器和TensorFlow服务)都很好地集成在一起，让开发人员准备数据、培训、验证和在生产中部署TensorFlow模型。

TensorFlow在更多的语言和平台中可用

除了使TensorFlow更易于使用外，我们还宣布开发人员可以使用新语言中的TensorFlow。TensorFlow。JS是JavaScript开发人员的一个新的ML框架。在浏览器中使用TensorFlow进行机器学习。JS打开了令人兴奋的新可能性，包括交互式ML，并支持所有数据都保留在客户端的场景。它可以用于在浏览器中完全构建和训练模块，以及导入TensorFlow和Keras模型，使用WebGL加速进行离线训练。“寻宝游戏”是一个使用TensorFlow.js构建的应用程序的有趣例子。

对于Swift程序员，我们也有一些激动人心的消息:Swift的TensorFlow将于今年4月开放。Swift的TensorFlow并不是对TensorFlow的典型语言绑定。它集成了一流的编译器和语言支持，提供了图形的全部功能，并具有eager execution的可用性。项目还在开发中，将会有更多的更新!

我们还分享了TensorFlow Lite的最新更新，TensorFlow轻量级的跨平台解决方案，用于在移动设备和其他edge设备上部署经过培训的ML模型。除了支持Android和iOS之外，我们还宣布支持树莓派，增加对ops/模型的支持(包括定制操作)，并描述开发人员如何在自己的应用程序中轻松使用TensorFlow Lite。TensorFlow Lite核心解释器的大小现在只有75KB(对于TensorFlow来说是1.1 MB)，我们在TensorFlow Lite和TensorFlow上运行量化的图像分类模型时，看到了高达3倍的速度。

对于硬件支持，TensorFlow现在已经集成了NVIDIA的TensorRT。TensorRT是一个优化深度学习模型的库，它为在生产环境中部署gpu创建一个运行时。它为TensorFlow带来了许多优化，并自动选择了特定于平台的内核，以最大限度地提高吞吐量，并在对gpu进行推理时最小化延迟。

对于在cpu上运行TensorFlow的用户，我们与Intel的伙伴关系已经与一个高度优化的Intel MKL-DNN开放源码库进行了集成，以进行深度学习。在使用Intel MKL-DNN时，我们观察到在不同的Intel CPU平台上有高达3倍的推理速度。

运行TensorFlow的平台列表已经扩展到包括上个月发布的Cloud TPUs。谷歌云TPU团队自推出以来，已经在ResNet-50性能上提高了1.6倍的性能。这些改进将很快提供给TensorFlow用户。

在新应用和领域使用TensorFlow

利用统计和概率方法解决了许多数据分析问题。除了深度学习和神经网络模型，TensorFlow现在通过TensorFlow概率API为贝叶斯分析提供了最先进的方法。这个库包含构建块，如概率分布、抽样方法和新的度量和损失。许多其他的经典ML方法也增加了支持。例如，可以使用预先构建的高级类来轻松地训练和部署boost决策树。

机器学习和TensorFlow已经帮助解决了许多不同领域的挑战性问题。我们看到的另一个影响巨大的区域是基因组学，这就是为什么我们要释放细胞核，一个用于阅读、书写和过滤普通基因组文件格式的库，用于在TensorFlow中使用。这一点，连同基于基因组变异发现的开放源代码的TensorFlow工具DeepVariant，将有助于促进基因组学的新研究和进展。

扩大社区资源和参与度

对TensorFlow的这些更新旨在使用户和贡献者社区受益和成长——成千上万的人参与了使TensorFlow成为世界上最流行的ML框架的一部分。为了继续与社区接触并保持最新的紧张状态，我们已经发布了新的官方的TensorFlow博客和TensorFlow YouTube频道。

我们还通过发布新的邮件列表和专门的兴趣小组来帮助我们的社区更容易地合作，这些组织旨在支持特定项目的开源工作。要了解如何成为社区的一份子，请访问TensorFlow社区页面，并一如既往地在Twitter上关注最新消息。

我们非常感谢每一个在过去的两年里帮助我们成功建立了一个成功的ML框架的人。感谢收看，感谢收看，并记住用#MadeWithTensorFlow来分享你如何用机器学习和紧张的方式来解决问题和挑战。

-END-

专 · 知

人工智能领域主题知识资料查看获取：【专知荟萃】人工智能领域26个主题知识资料全集（入门/进阶/论文/综述/视频/专家等）

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！