2018 TensorFlow开发者峰会都发布了哪些杀器？

策划｜Natalie

编译｜无明

AI 前线导读： 美国时间 3 月 31 号，第二届 TensorFlow 开发者峰会在美国加州山景城的计算机历史博物馆拉开帷幕。超过 500 名 TensorFlow 用户来到现场参加大会，同时还有数千名来自世界各地的用户经过直播了解大会状况。TensorFlow 团队及其余演讲者在会上发布了众多新产品，同时也带来了不少技术干货。

更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）

机器学习为人类带来了无限可能性。TensorFlow 已经被应用到众多领域，并取得了可喜的成果。

• 天体物理学家使用 TensorFlow 分析大量来自 NASA 的数据，发现了新的行星。

• 医学研究人员使用 TensorFlow 来评估病人罹患心血管疾病的风险。

• 空中交通指挥中心使用 TensorFlow 来预测飞机的飞行路径，让飞行更安全、着陆更高效。

• 工程师使用 TensorFlow 分析热带雨林的监测数据，用以检测伐木车和其余非法活动。

• 非洲的科学家使用 TensorFlow 检测木薯植物的患病状况，帮助农民增长收成。

在大会上，TensorFlow 团队宣布了 TensorFlow 的最新特性，这些特性将给开发者带来更好的开发体验。

TensorFlow 变得更容易使用

开发者但愿 TensorFlow 可以进一步提高易用性，因而 TensorFlow 团队为 Python 开发提供了一个直观的编程模型，叫做“eager execution”（https://www.tensorflow.org/programmers_guide/eager ）。开发者能够基于该模型开发代码，而后使用相同的代码生成用于训练的计算图。TensorFlow 团队还提供了一种在单台机器的多个 GPU 上运行评估模型的方法，开发者能够在只改动少许代码的状况下快速地扩展模型。

机器学习模型变得愈来愈复杂，为了帮助开发者更好地分享和重用模型，TensorFlow 团队推出了 TensoFlow Hub（http://tensorflow.org/hub ），用于发布和查找可重用的模块（TensorFlow 图的独立片断）。这些模块已经包含了权重信息，并且可能已经在大数据集上预训练过，能够直接用在开发者的应用程序中。经过重用这些模块，开发者只须要在更小的数据集上训练模型，从而加快了训练速度。他们还发布了一个交互式的调试插件（https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/debugger/README.md ），做为 TensorBoard 可视化工具的一部分，开发者可用它实时地跟踪计算图的内部节点。

模型训练只是机器学习过程的步骤之一，开发者须要一种端到端的解决方案来构建真实的机器学习系统。为此，TensorFlow 团队发布了 TensorFlow Extended（TFX）路线图，同时推出了 TensorFlow Model Analysis，一个组合了 TensorFlow 和 Apache Beam 强大计算能力的开源库。如今，开发者已经可以基于已发布的 TFX 组件（包括 TensorFlow Model Analysis、TensorFlow Transform、Estimators 和 TensorFlow Serving）进行数据准备、数据训练、数据验证，以及将模型部署到生产环境。

TensorFlow 支持更多的语言和平台

如今，开发者能够在更多的编程语言中使用 TensorFlow。TensorFlow.js（https://js.tensorflow.org ）是最新推出的一个 JavaScript 机器学习框架。使用 TensorFlow.js 在浏览器上进行机器学习为咱们带来了新的可能性，包括交互式的机器学习和基于客户端数据的机器学习。开发者能够使用该框架在浏览器上训练模型，或者导入离线训练的 TensorFlow 和 Keras 模型，而后使用 WebGL 加速进行推理。这个游戏（https://emojiscavengerhunt.withgoogle.com ）就是使用 TensorFlow.js 开发的。

用于 Swift 的 TensorFlow（https://www.tensorflow.org/community/swift ）将于 4 月份开源，这对于 Swift 开发者来讲无疑是个激动人心的好消息。它集成了原生的编译器和语言支持，基于 eager execution 模型提供了强大的图计算能力。该项目还在开发当中，后续会有更多进展。

TensorFlow Lite 也迎来了更新。除了 Android 和 iOS，如今还支持 Raspberry Pi。TensorFlow Lite 的核心解析器只有 75KB 大小（TensorFlow 的为 1.1MB），运行量化图形分类模型的速度最快能够达到 TensorFlow 的 3 倍。

在硬件方面，TensorFlow 集成了 NVIDIA 的 TensorRT。TensorRT 是一个机器学习库，用于优化深度学习模型以及建立运行时以便在 GPU 上部署模型。这给 TensorFlow 带来了多方面的优化，能够自动选择特定的平台内核，在 GPU 上进行推理时最大化吞吐量和最小化延迟。

对于那些在 CPU 上运行 TensorFlow 的用户来讲，TensorFlow 的合做伙伴英特尔发布了用于深度学习的 MKL-DNN 开源库。据观察，在任意英特尔 CPU 平台上运行推理时，速度有了 3 倍的提高。

运行 TensorFlow 的平台在增多，包括 Cloud TPU 在内。谷歌 Cloud TPU 团队已经将运行 ResNet-50 的速度提高了 1.6 倍，这些改进将会在 1.8 版本中开放给 TensorFlow 用户。

将 TensorFlow 应用到新的领域

不少数据分析问题是经过统计和几率的方法来解决的。除了深度学习和神经网络模型，TensorFlow 还提供了 TensorFlow Probability API（https://github.com/tensorflow/probability ），用于进行贝叶斯分析。这套 API 提供了一些构建块，如几率分布、取样方法和最新的度量指标和损失。

机器学习和 TensorFlow 已经在不少领域帮助人类解决了关键性挑战。下一个 TensorFlow 可能进入的领域是基因学，这也就是为何 TensorFlow 团队发布了 Nucleus 库（https://www.github.com/google/nucleus ），用于读取、写入和过滤公共基因文件格式，以便在 TensorFlow 中使用。同时发布的还有 DeepVariant（https://github.com/google/deepvariant/blob/r0.5/README.md ），一个基于 TensorFlow 的工具，用于发现基因变异，这将给基因研究带来重大帮助。

丰富社区资源和提升参与度

TensorFlow 的这些更新是献给社区用户和贡献者的厚礼，数千名社区贡献者让 TensorFlow 成为流行的机器学习框架之一。为了增强社区的参与度和密切关注 TensorFlow 的进展，TensorFlow 团队开通了 TensorFlow 博客（http://blog.tensorflow.org ）和 TensorFlow YouTube 频道（http://youtube.com/tensorflow ）。

他们还启动了新的邮件组（http://tensorflow.org/community/lists ）和特别兴趣用户组（https://tensorflow.org/community/contributing#special_interest_groups ），若是向加入社区，能够访问 TensorFlow 社区主页（https://tensorflow.org/community ），或者关注 TensorFlow 的 Twitter（http://twitter.com/tensorflow ）得到最新的消息。

原文连接：

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