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。
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:
Megan随后介绍了TensorFlow 2.2的新更新。以下是一些特点:
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 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:
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:
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:
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:
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:
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:
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: