TensorFlow第二届开发者峰会

2018-03-31 582

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；
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；
……
这是 TensorFlow 团队对过去一年来的总结，他们在诸多领域取得了进步。
北京时间 3 月 31 日凌晨，第二届 TensorFlow 开发者峰会开幕， TensorFlow 团队发布了多款新产品，旨在使开发者更易使用，以及让数据科学家使用多种方式构建 AI 模型。

更简单的TensorFlow

为了让开发者们易于使用，TensorFlow 团队推出了解决这一问题的 5 款更新。

首先引入了 eager execution。根据 TensorFlow 官方介绍，这对 Python 开发者来说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。

为了用最少代码改动获得最大的性能提升，他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)(https://www.tensorflow.org/api_docs/python/tf/estimator/Estimator) 。

而推出的 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。

他们还发布了新的交互式图形化调试插件，可作为 TensorBoard 可视化工具的一部分，可以帮助开发者们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。

此外，推出的 TensorFlow Extended (TFX)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中提供可用的服务。

支持更多语言和平台

开发者可以在一些新的语言中使用 TensorFlow 了。TensorFlow 官方介绍说， 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 进行机器学习开启了令人兴奋的新的可能性，包括交互式机器学习，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。

而对于 Swift 开发者，TensorFlow 团队送出了一份大礼：TensorFlow for Swift 将在 4 月开源。

TensorFlow 团队还披露了一些关于 TensorFlow Lite 平台的最新进展。除了对现有的对 Android 和 iOS 的支持外，还增加了对 Raspberry Pi 系统的支持，并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”来轻松连接自己的操作。

还有一些关于 TensorFlow Lite 的数据：它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 宣布与 NVIDIA 的 TensorRT 进行集成。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。

在 Google 开发者博客中对此有相关介绍，具体而言，它优化了 TensorFlow 中的 FP16 浮点数和 INT8 整型数，并能自动选择针对特定平台的内核，以最大化吞吐量，并能最大限度降低 GPU 推理期间的延迟。全新集成工作流程简化了在 TensorFlow 中使用 TensorRT 的步骤，同时使 TensorFlow 达到了很高的性能水平。

通过测试，在 NVIDIA Volta Tensor 上，集成了 TensorRT 的 TensorFlow 运行 ResNet-50 比没有集成 TensorRT 的 TensorFlow 执行速度提高了 8 倍。

此外，运行 TensorFlow 的平台还增加了 Cloud TPUs，上个月他们发布了其 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。

新的应用和领域使用

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。他们发布了 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。

总体而言，基于 TensorFlow 对 Google 战略的重要性，这些更新的新功能都非常重要。为了与微软、亚马逊和 IBM 等其它科技巨头进行竞争，TensorFlow 的进一步普及可能会鼓励更多客户使用 Google 云平台。Google 也寄希望于 TensorFlow 的普及来吸引顶尖的机器学习人才。

微信关注我们

原文链接：https://yq.aliyun.com/articles/573800

转载内容版权归作者及来源网站所有！

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。

AI学习笔记——卷积神经网络（CNN）

image.png 上篇文章简单地地介绍了神经网络和深度学习，在神经网络中，每一层的每个神经元都与下一层的每个神经元相连(如下图)，这种连接关系叫全连接（Full Connected）。如果以图像识别为例，输入就是是每个像素点，那么每一个像素点两两之间的关系(无论相隔多远)，都被下一层的神经元"计算"了。这种全连接的方法用在图像识别上面就显得太"笨"了，因为图像识别首先得找到图片中各个部分的"边缘"和"轮廓"，而"边缘"和"轮廓"只与相邻近的像素们有关。这个时候卷积神经网络(CNN)就派上用场了，卷积神经网络可以简单地理解为，用滤波器(Filter)将相邻像素之间的"轮廓"过滤出来。 image.png 卷积(Convolution) 卷积的滤波器（Filter）是如何工作的呢？以下图，一个6x6的图片被一个3x3的滤波器（可以看成一个窗口）卷积为例，3x3的滤波器先和6x6的图片最左上角的3x3矩阵卷积得到结果后，再向右移一步继续卷积（窗口滑动），直到将整个图片过滤完成，输出一个4x4的矩阵(图片)。 image.png 这样有什么意义呢？如果如下图所示，被卷积的图片有明显的竖...

2018-04-01

894

3月31日，由云栖社区和拉勾联合主办的云栖大讲堂第三期——《人机交互技术沙龙》在北京中关村创业大街3W咖啡正式举行。本次活动邀请了四位来自阿里巴巴集团、北京大学的人机交互领域顶级专家做分享，共吸引了150余位行业资深人士和学者，他们来自阿里巴巴、百度、搜狗、滴滴、小米等企业，以及中科院、北京大学、清华大学等学术机构。活动现场，四位演讲嘉宾详细地分享了工业界和学术界在人机交互行业的应用、研究现状，并对未来的发展趋势做出了解读。活动视频：https://yq.aliyun.com/video/play/1390 以下为本次活动的回顾： Topic 1《阿里NUI (natural user interface)-自然语音交互实践的经验和教训》分享嘉宾：阿里巴巴机器智能技术实验室高级算法专家高杰，博士毕业于中国科学院声学研究所，现任职于阿里巴巴机器智能技术实验室语音交互组，有十多年的语音交互和机器学习的研发经验。曾任职于腾讯，主导研发了腾讯首代语音识别引擎，广泛应用于腾讯公司的搜索引擎、QQ音乐、腾讯地图、浏览器等多种应用；后就职于微软中国任语音研究员(Speech Scientist)...

2018-04-02

635

资源下载

更多资源

Mario

马里奥是站在游戏界顶峰的超人气多面角色。马里奥靠吃蘑菇成长，特征是大鼻子、头戴帽子、身穿背带裤，还留着胡子。与他的双胞胎兄弟路易基一起，长年担任任天堂的招牌角色。

Nacos

Nacos /nɑ:kəʊs/ 是 Dynamic Naming and Configuration Service 的首字母简称，一个易于构建 AI Agent 应用的动态服务发现、配置管理和AI智能体管理平台。Nacos 致力于帮助您发现、配置和管理微服务及AI智能体应用。Nacos 提供了一组简单易用的特性集，帮助您快速实现动态服务发现、服务配置、服务元数据、流量管理。Nacos 帮助您更敏捷和容易地构建、交付和管理微服务平台。

Spring

Spring框架（Spring Framework）是由Rod Johnson于2002年提出的开源Java企业级应用框架，旨在通过使用JavaBean替代传统EJB实现方式降低企业级编程开发的复杂性。该框架基于简单性、可测试性和松耦合性设计理念，提供核心容器、应用上下文、数据访问集成等模块，支持整合Hibernate、Struts等第三方框架，其适用范围不仅限于服务器端开发，绝大多数Java应用均可从中受益。

Rocky Linux

Rocky Linux（中文名：洛基）是由Gregory Kurtzer于2020年12月发起的企业级Linux发行版，作为CentOS稳定版停止维护后与RHEL（Red Hat Enterprise Linux）完全兼容的开源替代方案，由社区拥有并管理，支持x86_64、aarch64等架构。其通过重新编译RHEL源代码提供长期稳定性，采用模块化包装和SELinux安全架构，默认包含GNOME桌面环境及XFS文件系统，支持十年生命周期更新。