北京时间 3 月 31 日，我们在加利福尼亚州山景城的计算机历史博物馆举办第二届 TensorFlow 开发者峰会。本届峰会吸引了超过 500 名 TensorFlow 用户亲临现场，数万名来自世界各国的观众观看了本次峰会的直播。活动当天 TensorFlow 团队和邀请嘉宾举行了多场技术讲座，并且发布了多款新产品。
机器学习正在被用来解决挑战性问题，这影响了全世界所有人。我们原以为不可能解决或太复杂的问题现在可以用这项技术来解决，TensorFlow 在许多不同的领域都取得了巨大的进步。例如：
天体物理学家使用 TensorFlow 分析开普勒任务中的大量数据，以发现新的行星。
医学研究人员利用 TensorFlow 机器学习技术来评估一个人心脏病发作和中风的几率。
空中交通管制员用它来预测飞机最有可能行经的路线，以确保飞机安全着陆。
工程师使用 TensorFlow 分析热带雨林中的声音数据，以检测伐木车和其他非法活动。
科学家在非洲用 TensorFlow 检测木薯植物疾病，从而提高产量并帮助更好地满足非洲大陆的粮食需求。
我们欣喜于看到 TensorFlow 的这些惊人用途，并致力于让更多的开发者有机会使用 TensorFlow。因此，我们很高兴地发布以下这些能够提升开发者体验的更新：
我们让 TensorFlow 更易于使用
研究人员和开发者都希望简化 TensorFlow 的使用方法。 我们引入了 eager execution，对于 Python 开发者来说，这是一种更直观的编程模型，它消除了构建和执行计算图 (computational graph) 之间的界线。用 eager execution 开发，很容易便能用相同的代码生成等价的计算图和估算器 (Estimator) 高级 API，进行大规模训练。我们正在努力使这里面的转换过程在未来变得更加顺畅。
我们还发布了一种新的更简单的模型，用于在单台机器上的多个 GPU 上运行估算器 (Estimator) 。您可以以最少的代码改动获得最大的性能提升。
随着机器学习模型变得越来越复杂，我们希望让开发者更容易调试和共享它们。我们还推出了 TensorFlow Hub，旨在促进模型的可重复使用部分的发布、发现和使用。这些模块是一块块独立的 TensorFlow 计算图，可以在不同的任务中重复使用。它们包含了已在大型数据集上预先训练好的变量，并且可以用一个较小的数据集进行再训练，来提高泛化能力，或是加速训练。
另外，我们发布了一个新的交互式图形化调试插件，作为 TensorBoard 可视化工具的一部分，它可以帮助您使用丰富的交互式环境实时检查并浏览计算图的内部节点。
模型训练只是机器学习过程的一部分，开发者需要一种端对端地构建真实世界机器学习系统的解决方案。为此，我们宣布推出 TensorFlow Extended (TFX)，这是一个机器学习平台，可让开发者准备数据、训练、验证并把训练好的模型快速部署在生产环境提供可用的服务。
TensorFlow 可用于更多语言和平台
除了使 TensorFlow 更易于使用之外，我们也很高兴地宣布，开发者可以在一些新的语言中使用 TensorFlow 了。 TensorFlow.js 是给 JavaScript 开发者的一个新的机器学习框架，它可以完全在浏览器里定义和训练模型，还可以导入离线训练的 TensorFlow 和 Keras 模型进行预测，并可以对 WebGL 实现无缝支持。
在浏览器中使用 TensorFlow.js 进行机器学习为我们开启了令人兴奋的新的可能性，包括交互式的机器学习，还有一些所有数据都保存在客户端的使用场景。例如， Emoji 寻宝游戏就是使用 TensorFlow.js 构建的应用程序。
对于 Swift 开发者来说，我们也有一些令人兴奋的消息要公布：TensorFlow for Swift 将在这个 4 月开源，目前是个初期阶段的开源项目，敬请期待未来更多的更新。
我们非常兴奋能够分享一些关于 TensorFlow Lite 平台的最新进展。它是 TensorFlow 跨平台、轻量级的解决方案，来把训练好的机器学习模型部署到手机和其它终端。除了现有的对 Android 和 iOS 的支持外，我们还增加了对 Raspberry Pi 系统的支持，并由演示了开发者如何在自己的应用程序中轻松使用 TensorFlow Lite。
开发者可以利用 TensorFlow Lite 中的“自定义操作”来轻松连接进自己的操作。另外，还有一些令人兴奋的数据要分享：TensorFlow Lite 的核心解释器大小仅为 75KB（对于 TensorFlow 1.1 MB），对比 TensorFlow，当运行一些量化模型时，TensorFlow Lite 速度提升高达 3 倍。
对于硬件的支持，TensorFlow 现在与 NVIDIA 的 TensorRT 集成。TensorRT 是一个库，用于优化深度学习模型以进行预测，并为生产环境创建部署在 GPU 上的运行环境。它为 TensorFlow 带来了许多优化，并自动选择特定平台的内核以最大化吞吐量，并最大限度地减少 GPU 预测期间的延迟。
运行 TensorFlow 的平台还包括 Cloud TPUs，上月我们发布了其 Beta 版本。Cloud TPUs 可加速各种机器学习模型，比如进行图像分类、目标检测、机器翻译、语音识别、语言建模等。您可以快速地从一些高质量的开源代码开始，因为这些代码经过持续地针对准确性和性能的测试，而且有丰富的文档。
在新的应用和领域使用TensorFlow
运用统计和概率方法可以解决许多数据分析问题，除了深度学习和神经网络模型之外，TensorFlow 现在还通过 TensorFlow Probability API 提供最先进的贝叶斯分析方法。 该库由概率分布、采样方法、新的指标和损失函数等模块构成。对许多经典机器学习方法也增加了支持。比如，可以用现成的高级类库，轻松地训练和部署 boosted decision trees。
机器学习和 TensorFlow 开始施展拳脚的另一个领域是基因组学。我们发布了Nucleus，这是一个在 TensorFlow 中用于读取、写入和过滤通用基因组文件格式的库，它将与 DeepVariant（一个基于 TensorFlow 开放源码的基因组变体探测工具）共同推动基因组学的全新研究进展。
拓展社区资源与参与
这些 TensorFlow 的进展，目的是让用户和贡献者这个社区受益，并且变得更加壮大，正是这成千上万的人共同推动 TensorFlow 成为了全球最火的机器学习框架之一。为了继续与社区合作并与 TensorFlow 保持同步，我们建立了 TensorFlow 的官方博客和 YouTube 频道。
我们还专门为支持特定项目的开源工作设计了全新的邮件列表以及特殊兴趣小组，便于更轻松地开展开源项目的合作。如果想了解如何参与其中，请访问 TensorFlow 社区页面：
https://tensorflow.google.cn/community
我们非常感谢在过去的两年中每一个帮助 TensorFlow 成为一个成功的机器学习框架的人们。感谢您的参与，也感谢您的观看！
特别感谢 TensorFlow GDE 江骏对本文的翻译和校对！
Be a Tensorflower
扫一扫
1
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
