0
| 本文作者： 叢末 | 2019-03-07 20:01 |
雷鋒網 AI 科技評論按：3 月 7 日凌晨，谷歌 TensorFlow 開發者峰會（TensorFlow Dev Summit 2019）在美國加州舉行。自今年 1 月份谷歌放出 TensorFlow 2.0 開發者預覽版，開發者們如今終于迎來了萬眾期待的 TensorFlow 2.0 Alpha 版的正式發布。也許是為了呼應谷歌此前將 TensorFlow 2.0 稱作重要的「里程碑」，TensorFlow 的 Logo 也從過去的三維積木狀變成了扁平化風格的「T」和「F」字母拼接。
除了發布 TensorFlow 2.0 Alpha 版，谷歌在本次大會上還發布了「一籮筐」圍繞 TensorFlow 的其他軟件的更新和最新成果，包括：經過更新的 TensorFlow Lite 1.0、TensorFlow js 1.0 和 Swift for TensorFlow 0.2 ，端到端的機器學習平臺 TensorFlow Extended (TFX) 以及兩款面向隱私問題的 TensorFlow Federated 開源框架和 TensorFlow Privacy 開源庫。
另外值得一提的是，隨著 TensorFlow 2.0 Alpha 版的到來，谷歌還發布了兩門深度學習課程：Udacity 的《TensorFlow 深度學習簡介》和 Deeplearning.ai 的《TensorFlow：從基礎知識到掌握專業化》系列課程。
今年 1 月份，谷歌就放出 TensorFlow 2.0 開發者預覽版，引起了開發者們的滿腔期待。而不到兩個月后隨之而來的 TensorFlow 開發者峰會，其最受關注的環節莫過于 TensorFlow 2.0 Alpha 版的發布。
據悉，針對 TensorFlow 2.0，TensorFlow 團隊聽取了開發者關于「簡化 API、減少冗余并改進文檔和示例」的建議來進行設計，將 TensorFlow 2.0 Alpha 版的更新重點放在簡單和易用性上，主要進行了以下更新：
使用 Keras 和 eager execution，輕松建立簡單的模型并執行
在任何平臺上的實現生產環境的模型部署
為研究提供強大的實驗工具
通過清除不推薦使用的 API 和減少重復來簡化 API
同時，在過去的幾年中，谷歌陸續在 TensorFlow 中添加了許多組件，而 TensorFlow 2.0 Alpha 版中則將這些組件將打包成了一個綜合性平臺，支持從訓練到部署的機器學習工作流，其新架構的簡化概念圖如下所示：
而更簡單化的新框架更是帶來了更加簡潔的工作流，即：先使用 tf.data 創建的輸入管道讀取訓練數據；然后使用 tf.keras 或 Premade Estimators 構建、訓練和驗證模型；接著用 eager execution 進行運行和調試；再使用 Distribution Strategy API 在不更改模型定義的情況下，基于 CPU、GPU 等不同硬件配置上分布和訓練模型；最后將模型導出到 SavedModel 保存。其工作流如下圖所示：
此外，TensorFlow 2.0 Alpha 版還帶來了一些新的功能，允許研究人員和高級用戶使用豐富的擴展進行實驗，如 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 等。
為了簡化代碼遷移到 TensorFlow 2.0 的過程，谷歌還提供一個轉換工具和指導文檔用來更新 TensorFlow 1.x Python 代碼以使用與 TensorFlow 2.0 兼容的 API，并將無法自動轉換的代碼標記出來。
在 API 方面的更新也是 TensorFlow 2.0 Alpha 版的一大亮點，其將 Keras API 指定為構建和訓練深度學習模型的高級 API，并舍棄掉其他 API。另外值得一提的是，Keras 提供了幾個模型構建 API，例如可以利用 Sequential API 構建模型，然后使用「compile」和「fit」，tensorflow.org 中所有常見的」tf.keras」示例均可在 2.0 中便捷使用。
TensorFlow 2.0 Alpha 版的另一個最明顯的改變就是將用于機器學習的實驗和研究平臺——Eager execution 設置為默認優先模式，這就意味著任何運算在調用后就會立即運行，從而不再需要預先定義靜態圖，就可以通過「tf.Session.run()」執行圖的各個部分，讓執行過程變得更加簡單和快捷。
此外，Eager execution 還有助于原型制作、調試和監控運行中的代碼，用戶可使用 Python 調試程序檢查變量、層及梯度等對象，并利用裝飾器「@tf.function」中內置的 Autograph 直接獲取圖表優化和效率，這整個過程不僅能夠保留 TensorFlow1.x 基于靜態計算圖執行的所有優點：性能優化、遠程執行，以及序列化、導出和部署的能力，同時還增加了用簡單 Python 表達程序的靈活性和易用性。
整體而言，TensorFlow 2.0 Alpha 版具有以下三大特性：
第一，易用性，其主要體現在使用 tf.keras 作為高級 API，且將 Eager execution 作為默認模式。
第二，簡潔性，其主要體現在 TensorFlow 2.0 Alpha 版刪除了重復的功能，并且不同 API 的調用語法也變得一致、直觀，同時它的兼容性更加完善。
第三，靈活性，其主要體現在 TensorFlow 2.0 Alpha 版提供了完整的低級 API，并可以在 tf.raw_ops 中訪問內部操作，同時還提供了變量、checkpoint 以及層的可繼承接口。
開發者峰會上，TensorFlow 工程總監 Rajat Monga 也向大家呈現了 TensorFlow 這幾年來的「戰績」：自 2015 年 11 月推出以來，TensorFlow 總下載量超過 4100 萬次，提交了 5 萬多次代碼更新，目前已有 1800 多名來自全世界的貢獻者。
而隨著更加順從民意、使用更加簡單的 TensorFlow 2.0 Alpha 版的發布，TensorFlow 又將收獲怎樣的成績呢？大家可以拭目以待。
TensorFlow 2.0 Alpha 版官方網址：https://www.tensorflow.org/alpha
TensorFlow 2.0 Alpha 版開源地址：https://github.com/orgs/tensorflow/projects/4
注：針對不同級別的開發者，TensorFlow 2.0 Alpha 版設置了兩版教程：
初學者版：使用的是 Keras Sequential API，這是最簡單的 TensorFlow 2.0 入門方法。
資深人士版：展示如何命令式地編寫正向傳遞、如何使用 GradientTape 編寫自定義訓練循環，以及如何使用 tf.function 一行代碼自動編譯代碼。
伴隨著 TensorFlow 2.0 Alpha 版的發布，谷歌還特別應景地一同發布了配套的深度學習課程：Deeplearning.ai 的《TensorFlow：從入門到精通》（「TensorFlow: From Basics to Mastery Specialization」）和優達學城的《TensorFlow 深度學習簡介》（「Intro to TensorFlow for Deep Learning」）。
《TensorFlow：從入門到精通》是 Deeplearning.ai 的一系列實踐課程，由吳恩達老師參與開發并執教，目的在于幫助大家了解：
如何在 TensorFlow 中構建機器學習模型
利用深度神經網絡和卷積神經網絡構建圖像識別算法了解
如何在移動設備和網絡上部署模型
學習圖像識別以外的物體檢測、文本識別等，進入等
擴展針對自定義學習/訓練的基本 API
除了吳恩達老師，該課程的另一重量級教師為 Laurence Moroney 博士。
該課程分四周進行，課程安排為：
第一周：介紹一種新的變成范式
第二周：計算機視覺簡介
第三周：利用卷積神經網絡增強計算機視覺
第四周：利用真實世界的圖像
課程鏈接地址：https://www.deeplearning.ai/tensorflow-specialization/
《TensorFlow 深度學習簡介》則是優達學城的免費課程，它自 2016 年推出以來，目前已有超過 40 萬名學生參加，而今天則正式成為 Deeplearning.ai TensorFlow 系列課程的一部分。該課程從實踐的角度講解了軟件深度學習知識，以及在移動設備、云端和瀏覽器上實際運行 TensorFlow 模型，讓學生掌握創建 AI 應用所需的所有技能。
該課程目前已經更新了 4 堂課，分別為：第一堂課：課程大綱介紹；第二堂課：機器學習簡介；第三堂課：訓練 MNIST 模型；第四堂課：CNN 簡介。目前，該 4 堂課已全部上線，而第 5 堂課則還未更新。
課程鏈接地址：https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187
正式發布 TensorFlow.js 1.0 、TensorFlow Lite 1.0
實際上，除了 TensorFlow 2.0 Alpha 版，本次峰會的另一亮點便是正式發布 TensorFlow.js 1.0 和 TensorFlow Lite 1.0 了。
自 2018 年發布以來，TensorFlow.js 被大量采用，目前其下載量達 30 萬次，Github 星標數量超過 1 萬，項目貢獻者超過 100 個。本次正式發布的 TensorFlow.js 1.0 版本，在先前版本的基礎上進行的更新包括：增加了一個針對 Web 開發人員的面向圖像、文本、語音等常見機器學習任務的現成模型庫；添加了運行 JS 的更多平臺，例如桌面 app、移動端本地的平臺等。另外，該版本在性能上有了較大的提升。
作為一個面向移動和嵌入式設備打造的輕量級、跨平臺解決方案，TensorFlow Lite 主要解決的問題是：機器學習在手機、汽車、可穿戴設備等終端設備上面臨著有限的計算力、內存以及電池容量等諸多限制。
自 2017 年 5 月的谷歌 I/O 開發者大會被首次提出以來，TensorFlow Lite 目前已部署到超 20 億移動設備中，并已應用到谷歌搜索、谷歌助手、Pixel Visual Core 等諸多原生谷歌應用和服務、以及谷歌合作伙伴的產品中。TensorFlow Lite 對于谷歌的重要性不言而喻，本次正式發布 TensorFlow Lite 1.0 可謂是眾望所歸。
TensorFlow.js 1.0 版本開源地址：https://github.com/tensorflow/tfjs/releases
為 TensorFlow 家族再添兩位新成員
另外，谷歌還為 TensorFlow 家族再添了兩位新成員：TensorFlow Federated（TFF）開源框架和 TensorFlow Privacy 機器學習開源庫。
TensorFlow Federated（TFF）是一個開源框架，適用于面向分散式數據執行機器學習和其他計算。它采用一種聯合學習（Federated Learning，FL）的機器學習方法，可在多個客戶端上訓練共享的全局模型，同時在本地保存訓練數據。
TensorFlow Privacy 則是一個 TensorFlow 機器學習開源庫，能夠讓開發人員更容易培訓具有強大隱私保障的 AI 模型。谷歌表示，計劃將 TensorFlow Privacy 發展成為培訓機器學習模型的最佳技術中心，并提供強大的隱私保障。
TensorFlow Federated 開源地址：https://github.com/tensorflow/federated
TensorFlow Privacy 開源地址：https://github.com/tensorflow/privacy
對 2019 年度 TensorFlow 開發者峰會感興趣的同學，可前往峰會官網：https://www.tensorflow.org/dev-summit 回看視頻并查看相關信息。雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
