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。git
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。github
医学研究人员使用 TensorFlow 来评估病人罹患心血管疾病的风险。编程
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。swift
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。浏览器
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。安全
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。微信
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。网络
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。框架
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。机器学习
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。
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。
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