TensorFlow开发者峰会2020 Keynote，TF2及其庞大的科研、工业生态圈

近期的TF Dev Summit 2020向我们展示了TF2与其及其庞大的学术、工业生态圈。目前TF2的核心库接口已逐渐稳定，几乎不会变动，并兼顾了友好性、效率及1.x代码迁移等问题。另外，与之关联的几十套学术、工业生态系统也在逐渐成熟。

每年的TensorFlow开发者峰会（TF Dev Summit）是开发者了解TensorFlow新特性最好的途径之一，近期举行的TF Dev Summit 2020向我们展示了TensorFlow 2及其生态圈最新的发展情况。

从社区的活跃度、下载量等数据来看，目前TensorFlow仍处于飞速发展的状态，且具有非常庞大的用户群体：

自TF Dev Summit 2019之后，TF2及其生态圈发展的时间线如下所示：

在对之前的TF 2.0的反馈意见中，用户认为用TF2.0具有非常友好的用户接口，但在性能方面依然有提升空间。另外，很多用户希望能够更方便地将TF 1.x代码迁移到TF 2.x中。因此，目前的TF 2.2具有下面的特性： * 强调性能 * 与TensorFlow生态圈兼容 * 核心库接口稳定化，基本不做变更

TensorFlow庞大的学术、工业生态圈是目前用户热爱TensorFlow的重要原因之一：

许多重要的学术成果都是基于TensorFlow实现的：

为了能够让使用者更好地分享实验结果，TF官方提供了网站平台： * https://tensorboard.dev/

用户可以通过URL的方式将TensorBoard中的实验结果分享给他人，TF官方希望用户可以在论文中以引用tensorboard.dev的URL的方式来展现实验结果：

目前TF 2.x使得开发者可以实现复用性极高的代码，例如TF 2.x核心中的Eager Execution可以直接支持通用的numpy，另外tf.data允许我们定制可复用的数据处理流程。TF官方也为我们提供了TensorFlow Datasets，它包含了一系列直接可用的数据集：

TF生态圈中许多的附加组件与扩展支撑了大量的科研工作，深受用户的喜爱：

TF生态圈是AI工业界的重要支柱之一，它支撑了面向数十亿用户的AI应用：

通过Keras、TF Hub、TFX、Cloud TPUs等组件的支撑，使得我们可以在各种量级的工业产品中轻松地使用TF来落地各种想法：

TensorFlow Lite使得我们可以在真实复杂场景中（如网络高延迟等）使用TensorFlow为产品服务：

最新版本的TensorFlow Lite相对于Google I/O 2019时又有了更进一步的性能提升：

开发者可以在Android Studio中通过简单的拖拽生成用于对应模型的Java类：

TensorFlow.js生态圈也在飞速地发展：

MLIR是TF和其它深度学习框架的编译基础设施，它是工业界AI的通用解决方案之一，支持大部分的加速硬件：

新的TensorFlow 运行时（TFRT）为开发者提供了底层的基础设施。开发者并不需要直接操作TFRT，作为基础设置，TFRT使得我们可以在各种硬件上开发出高性能的TF应用。

TF生态圈使得我们可以更好地构建响应式AI：

社区也是TensorFlow生态圈的重要组成：

目前Kaggle比赛也开始支持TF 2.x，并为用户提供免费的TPU和GPU：

新的DevPost挑战：使用TF 2.x构建响应式AI系统：

TF社区也致力于教育，包括各种课程、证书等：

参考链接：

• https://www.youtube.com/watch?v=_lsjCH3fd00