2018 TensorFlow開發者峯會都發布了哪些殺器？

策劃｜Natalie

編譯｜無明

AI 前線導讀： 美國時間 3 月 31 號，第二屆 TensorFlow 開發者峯會在美國加州山景城的計算機歷史博物館拉開帷幕。超過 500 名 TensorFlow 用戶來到現場參加大會，同時還有數千名來自世界各地的用戶經過直播瞭解大會狀況。TensorFlow 團隊及其餘演講者在會上發佈了衆多新產品，同時也帶來了不少技術乾貨。

更多幹貨內容請關注微信公衆號「AI 前線」，（ID：ai-front）

機器學習爲人類帶來了無限可能性。TensorFlow 已經被應用到衆多領域，並取得了可喜的成果。

• 天體物理學家使用 TensorFlow 分析大量來自 NASA 的數據，發現了新的行星。

• 醫學研究人員使用 TensorFlow 來評估病人罹患心血管疾病的風險。

• 空中交通指揮中心使用 TensorFlow 來預測飛機的飛行路徑，讓飛行更安全、着陸更高效。

• 工程師使用 TensorFlow 分析熱帶雨林的監測數據，用以檢測伐木車和其餘非法活動。

• 非洲的科學家使用 TensorFlow 檢測木薯植物的患病狀況，幫助農民增長收成。

在大會上，TensorFlow 團隊宣佈了 TensorFlow 的最新特性，這些特性將給開發者帶來更好的開發體驗。

TensorFlow 變得更容易使用

開發者但願 TensorFlow 可以進一步提高易用性，因而 TensorFlow 團隊爲 Python 開發提供了一個直觀的編程模型，叫做「eager execution」（https://www.tensorflow.org/programmers_guide/eager ）。開發者能夠基於該模型開發代碼，而後使用相同的代碼生成用於訓練的計算圖。TensorFlow 團隊還提供了一種在單臺機器的多個 GPU 上運行評估模型的方法，開發者能夠在只改動少許代碼的狀況下快速地擴展模型。

機器學習模型變得愈來愈複雜，爲了幫助開發者更好地分享和重用模型，TensorFlow 團隊推出了 TensoFlow Hub（http://tensorflow.org/hub ），用於發佈和查找可重用的模塊（TensorFlow 圖的獨立片斷）。這些模塊已經包含了權重信息，並且可能已經在大數據集上預訓練過，能夠直接用在開發者的應用程序中。經過重用這些模塊，開發者只須要在更小的數據集上訓練模型，從而加快了訓練速度。他們還發布了一個交互式的調試插件（https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/debugger/README.md ），做爲 TensorBoard 可視化工具的一部分，開發者可用它實時地跟蹤計算圖的內部節點。

模型訓練只是機器學習過程的步驟之一，開發者須要一種端到端的解決方案來構建真實的機器學習系統。爲此，TensorFlow 團隊發佈了 TensorFlow Extended（TFX）路線圖，同時推出了 TensorFlow Model Analysis，一個組合了 TensorFlow 和 Apache Beam 強大計算能力的開源庫。如今，開發者已經可以基於已發佈的 TFX 組件（包括 TensorFlow Model Analysis、TensorFlow Transform、Estimators 和 TensorFlow Serving）進行數據準備、數據訓練、數據驗證，以及將模型部署到生產環境。

TensorFlow 支持更多的語言和平臺

如今，開發者能夠在更多的編程語言中使用 TensorFlow。TensorFlow.js（https://js.tensorflow.org ）是最新推出的一個 JavaScript 機器學習框架。使用 TensorFlow.js 在瀏覽器上進行機器學習爲咱們帶來了新的可能性，包括交互式的機器學習和基於客戶端數據的機器學習。開發者能夠使用該框架在瀏覽器上訓練模型，或者導入離線訓練的 TensorFlow 和 Keras 模型，而後使用 WebGL 加速進行推理。這個遊戲（https://emojiscavengerhunt.withgoogle.com ）就是使用 TensorFlow.js 開發的。

用於 Swift 的 TensorFlow（https://www.tensorflow.org/community/swift ）將於 4 月份開源，這對於 Swift 開發者來講無疑是個激動人心的好消息。它集成了原生的編譯器和語言支持，基於 eager execution 模型提供了強大的圖計算能力。該項目還在開發當中，後續會有更多進展。

TensorFlow Lite 也迎來了更新。除了 Android 和 iOS，如今還支持 Raspberry Pi。TensorFlow Lite 的核心解析器只有 75KB 大小（TensorFlow 的爲 1.1MB），運行量化圖形分類模型的速度最快能夠達到 TensorFlow 的 3 倍。

在硬件方面，TensorFlow 集成了 NVIDIA 的 TensorRT。TensorRT 是一個機器學習庫，用於優化深度學習模型以及建立運行時以便在 GPU 上部署模型。這給 TensorFlow 帶來了多方面的優化，能夠自動選擇特定的平臺內核，在 GPU 上進行推理時最大化吞吐量和最小化延遲。

對於那些在 CPU 上運行 TensorFlow 的用戶來講，TensorFlow 的合做夥伴英特爾發佈了用於深度學習的 MKL-DNN 開源庫。據觀察，在任意英特爾 CPU 平臺上運行推理時，速度有了 3 倍的提高。

運行 TensorFlow 的平臺在增多，包括 Cloud TPU 在內。谷歌 Cloud TPU 團隊已經將運行 ResNet-50 的速度提高了 1.6 倍，這些改進將會在 1.8 版本中開放給 TensorFlow 用戶。

將 TensorFlow 應用到新的領域

不少數據分析問題是經過統計和機率的方法來解決的。除了深度學習和神經網絡模型，TensorFlow 還提供了 TensorFlow Probability API（https://github.com/tensorflow/probability ），用於進行貝葉斯分析。這套 API 提供了一些構建塊，如機率分佈、取樣方法和最新的度量指標和損失。

機器學習和 TensorFlow 已經在不少領域幫助人類解決了關鍵性挑戰。下一個 TensorFlow 可能進入的領域是基因學，這也就是爲何 TensorFlow 團隊發佈了 Nucleus 庫（https://www.github.com/google/nucleus ），用於讀取、寫入和過濾公共基因文件格式，以便在 TensorFlow 中使用。同時發佈的還有 DeepVariant（https://github.com/google/deepvariant/blob/r0.5/README.md ），一個基於 TensorFlow 的工具，用於發現基因變異，這將給基因研究帶來重大幫助。

豐富社區資源和提升參與度

TensorFlow 的這些更新是獻給社區用戶和貢獻者的厚禮，數千名社區貢獻者讓 TensorFlow 成爲流行的機器學習框架之一。爲了增強社區的參與度和密切關注 TensorFlow 的進展，TensorFlow 團隊開通了 TensorFlow 博客（http://blog.tensorflow.org ）和 TensorFlow YouTube 頻道（http://youtube.com/tensorflow ）。

他們還啓動了新的郵件組（http://tensorflow.org/community/lists ）和特別興趣用戶組（https://tensorflow.org/community/contributing#special_interest_groups ），若是向加入社區，能夠訪問 TensorFlow 社區主頁（https://tensorflow.org/community ），或者關注 TensorFlow 的 Twitter（http://twitter.com/tensorflow ）得到最新的消息。

原文連接：

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