TensorFlow Dev Summit 2020亮点总结

TensorFlow，由Google开发并推广的深度学习框架，因其灵活性和不断更新的特性，深受业界专家和专业人士的青睐。每年，TensorFlow团队都会举办开发者峰会，这是一个为期两天的活动，包含了来自TensorFlow团队的技术更新和用户展示他们使用TensorFlow构建的惊人应用的演讲。此外，还有黑客房间、分组会议和工作坊。

今年，由于新冠病毒在许多国家的爆发，TensorFlow团队决定优先考虑参与者的健康和安全，因此将开发者峰会改为首次在YouTube上直播，并为错过直播的人提供了录像。

顶级会议亮点

演讲者包括Megan Kacholia、Kemal El Moujahid和Manasi Joshi。TensorFlow的技术项目经理Megan Kacholia以菲律宾放射科医生Erwin博士的故事开启了峰会。Erwin博士自称是AI爱好者，他使用TensorFlow.js构建了一个深度学习应用，可以对骨折图像进行分类。

从那时起，Erwin博士一直在谈论TensorFlow如何可能改变医疗行业，并定期邀请爱好者来构建这样的系统。以下是使用TensorFlow构建的一些其他项目：

• 灾害观察：一个危机映射平台，聚合数据并预测自然灾害引起的物理限制。
• Deep Pavlov：用于对话系统的自然语言处理库。

Megan随后介绍了TensorFlow 2.2的新更新。以下是一些特点：

• 这个更新是测量性能的新基线，即提高速度和性能。
• TensorFlow生态系统（本TensorFlow Dev Summit 2020的主要讨论点）：对于那些难以迁移到TensorFlow 2.0的人来说，这个生态系统提供了他们喜欢的库和模型，以便与2.x版本一起工作。
• 改进的稳定性。

从这个主题演讲中，TensorFlow的主要特点和要点包括：

• tensorflow datasets：由2019年Google暑期代码学生编译的TensorFlow数据集已经发布。
• tensorflow.dev：新的工具包，可以共享TensorBoard结果，并提供一个可共享的链接。
• TensorFlow生态系统的附加组件和扩展。
• Google Cloud AI Pipeline：发布用于构建端到端生产管道，与Kubeflow和TensorFlow扩展一起使用。
• TensorFlow 2.1支持Cloud TPUs。
• TensorFlow Runtime (TFRT)：不会作为开发者或研究人员暴露于TFRT，但它将在幕后工作，为深度学习模型提供最佳性能。

接下来，在TensorFlow Dev Summit 2020的主题演讲中，TensorFlow团队的工程总监Mansi Joshi介绍了TensorFlow系统，用于负责任的AI。她阐述了负责任的AI是什么，以及TensorFlow生态系统如何帮助构建这样的系统。

最后，TensorFlow团队的产品总监Kemal El Moujahid上台。他介绍了各种资源和机会，以便通过TF用户组、TF SIGs（重要兴趣组）和其他选项与TensorFlow团队建立更多联系。

可以在这里观看TensorFlow Dev Summit 2020的完整主题演讲：

演讲者：Sandeep Gupta

TensorFlow Hub是轻松找到最新的、即用型的深度学习TensorFlow模型的地方，包括文档、代码片段等。TensorFlow Hub的丰富模型库涵盖了广泛的深度学习任务，如：

• 对于图像：图像分类、目标检测、图像增强等模型。
• 对于文本：文本分类、最新模型如BERT。
• 对于视频：动作识别、手势等模型。
• 对于音频：音高检测等模型。

有超过1000个模型可供选择，附带文档和代码片段。可以在这个上找到交互式的Google Colab笔记本。

TensorFlow Hub的新特点：

• 改进的搜索和发现。
• 扩展对TF格式的支持，包括在tensorflow.js和tensorflow.lite中。
• 为各个领域提供新的、改进的最新模型。

可以在这里观看TensorFlow Hub的完整演讲：

演讲者：Gal Oshri

TensorBoard是TensorFlow的可视化工具包，通常由深度学习研究人员和工程师用来理解他们的实验结果。TensorBoard让跟踪指标、可视化深度学习模型，并探索参数等。

但是有一个限制——这些结果只能以图片格式分享给他人审查或纠正。实际的实现，其中错误可以更容易地被发现，不能被分享。

TensorBoard.dev使这项任务变得更容易。有了tensorflow.dev，可以上传TensorBoard结果，并得到一个链接，可以免费与每个人分享！其他人可以轻松地查看和与TensorBoard互动，比较他们的性能或纠正错误。这里是开始。

这里是TensorBoard.dev在TensorFlow Dev Summit 2020上的演讲：

演讲者：Qiumin Xu

TensorFlow 2.x中终于发布了性能分析工具！这个工具有助于像专业玩家一样提高深度学习模型的性能。性能分析所做的是它产生自动化的性能指导和建议，以提高模型性能，从而提高性能工程师的生产力。

发布了8个新工具，其中4个是CPU、GPU和TPU共有的。其中一些包括：

• 概览页面：这个工具提供了设备上运行的工作负载性能的概览。
• I/O输入管道分析器：一个最重要的工具，用于确定模型中是否存在任何瓶颈，并提供建议和资源以消除这个瓶颈。
• TensorFlow Stats：以图表或表格格式呈现统计数据。

相信会和一样兴奋地尝试TensorFlow 2.0中的性能分析！可以在这个上进行。

别忘了观看TensorFlow 2.x中性能分析的完整演讲：

演讲者：Jacques Pienaar

机器学习模型每天都在增加复杂性和大小。因此，这需要增加训练这些模型的计算需求。系统和硬件必须迅速适应更复杂的深度学习算法，同时支持各种部署场景。

这里是MLIR（多级中间表示）。它是一个编译器框架和TensorFlow的中间表示。以下是其主要特点：

• 最先进的编译器技术。
• 模块化和可扩展（可以轻松修改为自己的模型和硬件）。
• 不固执己见（为自己的问题空间创建解决方案）。
• 完全可定制。

要开始为MLIR做出贡献，请遵循这个。

可以在这里观看演讲：

演讲者：Mingsheng Hong

运行时是一个低级组件，通过调用实现机器学习原语的相关内核来协调所有模型执行。TFRT被引入以替换现有的TensorFlow运行时，以实现更快、更大的模型并增强研究创新。

以下是其主要特点：

• 专注于性能、可扩展性和统一。
• 改进的错误报告。
• 改进的性能和降低的CPU使用率。
• 统一的跨多个硬件的训练。

它仍在生产中，TensorFlow团队计划在一年内将TFRT与TensorFlow堆栈集成。这将大大提高性能并同时减少硬件使用。

这里是完整演讲的链接：

演讲者：Tim Davis、T.J. Alumbaugh

TensorFlow Lite是一个生产就绪的、跨平台的框架，用于在移动设备和嵌入式系统上部署机器学习和深度学习模型。自2017年推出以来，TensorFlow Lite现在在全球超过40亿移动设备上。

以下是演讲中介绍的许多TensorFlow Lite库的新特点的一些关键点：

• TF Lite支持库已经扩展，不仅仅是处理和转换数据，还支持在设备上轻松部署。
• 引入了更多的图像和语言API。
• Android Studio集成（迄今为止最重要的集成到这个TF Lite）。这将确保单次拖放进入Android Studio，然后自动为TF Lite模型生成Java类。
• 扩展的模型元数据：这个工具将允许轻松生成模型元数据，提供模型做什么、模型预期的输入格式以及输出意味着什么的额外信息。
• TFLite Model Maker：一个新的Python库，让可以自定义模型以适应数据集，而不需要机器学习。
• Core ML委托给Apple设备，通过Apple神经引擎在iOS设备上加速浮点操作。

如果还没有尝试这个惊人的TensorFlow功能，可以在这里开始：

这里是完整会议：

演讲者：Na Li

TensorFlow.js是一个开源AI平台，用于在浏览器中或任何可以运行JavaScript的地方开发、训练和使用AI模型。今年，TensorFlow.js 1.0发布了，以下是改进的功能：

• 更多的模型，包括身体分割、毒性检测和声音识别。
• 与Glitch和Codepen（两个大型在线JavaScript游乐场）合作，进一步支持JS开发人员学习和在他们的应用程序中使用机器学习。
• 转换向导，一个交互式的命令行工具，可以轻松地将深度学习模型转换为TensorFlow.js格式。

• 在TensorFlow中引入了许多令人兴奋的库，包括tensorboard.dev和TFRT。
• 在现有的库中引入了许多新功能，如TensorFlow Lite和TensorFlow.js。
• 主要关注点是提高模型的速度和性能。性能分析将大大提高全球性能工程师的生产力。
• 正在进行大量工作，以提高深度学习模型的可扩展性，并在Android设备和Arduino上实现机器学习模型，减少延迟和网络问题。