谷歌表示,TensorFlow 未来将是 100% 向后兼容的。谷歌希望 TensorFlow 成为机器学习行业赖以发展的基石,并承诺从 TensorFlow 2 开始到下一个版本,TensorFlow 完全向后兼容,代码将按原样运行,不需要运行转换脚本,也不需要手动更改。谷歌将继续在 TensorFlow 框架上投资,以推动研究和应用,为数百万用户服务。

谷歌对 TensorFlow 的开发还将继续

2015 年,谷歌大脑开放了一个名为「TensorFlow」的研究项目,这款产品迅速流行起来,成为人工智能业界的主流深度学习框架,塑造了现代机器学习的生态系统。从那时起,成千上万的开源贡献者以及众多的开发人员、社区组织者、研究人员和教育工作者等都投入到这一开源软件库上。

然而七年后的今天,故事的走向已经完全不同:谷歌的 TensorFlow 失去了开发者的拥护。因为 TensorFlow 用户已经开始转向 Meta 推出的另一款框架 PyTorch。

众多开发者都认为 TensorFlow 已经输掉了这场战争,并将其比喻为:「PyTorch 吃掉了 TensorFlow 的午餐。」

在 PyTorch 的阴影下,谷歌正在悄悄地开发一个机器学习框架,就是 JAX(曾是「Just After eXecution」的首字母缩写,但官方说法中不再代表任何东西),许多人将其视为 TensorFlow 的继承者。

一时之间,关于谷歌要放弃 TensorFlow,全面转向 JAX 的说法闹得人尽皆知。其实不然,谷歌并没有放弃 TensorFlow,他们表示未来 TensorFlow 将与 JAX 并肩发展。

不过话说回来,在这短短的七年中,TensorFlow 已经有了亮眼的表现,已然发展成为最常用的机器学习平台,使用人数达数百万。TensoFlow 现在每月被下载超过 18M 次,在 GitHub 上积累了 166k 颗星——比任何其他 ML 框架都多。

此外,TensorFlow 还为在移动生态系统上进行机器学习带来了便利:目前 TFLite 在大约 40 亿台设备上运行,也许你的设备也包含在内。TensorFlow 还将机器学习引入 Web,TensorFlow.js 现在每周下载量超 17 万次。

TensorFlow仍然会继续作为机器学习的利器

在谷歌的整个产品系列中,TensorFlow 几乎为所有机器学习提供支持,包括搜索、GMail、YouTube、Maps 、Play、广告、照片等等。除了谷歌,在 Alphabet 旗下的子公司,TensorFlow 连同 Keras 为 Waymo 自动驾驶汽车提供了新的机器智能。

在更广泛的行业中,TensorFlow 为数千家公司的机器学习系统提供支持,其中包括苹果、ByteDance、Netflix、腾讯、Twitter 等公司。研究领域,在 Google Scholar 上每个月都有超过 3000 篇出版物提到 TensorFlow,包括重要的应用科学研究,比如了解癌症的 CANDLE 研究。

毫不夸张的说,TensorFlow 基础用户和开发者生态比以往任何时候都要多,而且还在不断增长。谷歌认为 TensorFlow 的发展不仅是一项值得庆祝的成就,它也为机器学习社区走得更远提供了新的机会。

谷歌一直以来奉行的目标是提供最好的机器学习平台,并努力将机器学习从小众工艺转变为像 Web 开发一样成熟的行业软件。

谷歌对 TensorFlow 的开发还将继续,走过了 7 年,还会有下个 7 年。

TensorFlow 未来四大支柱

近日,谷歌宣布他们已经着手开发 TensorFlow 的下一个迭代,并专注于四大支柱。更具体地,谷歌计划在 2023 年第二季度发布新的 TensorFlow 预览版,之后晚些时候发布生产版本。

快速和可扩展

首先是 XLA 编译。谷歌专注于 XLA 编译,让训练和推理模型在 GPU 和 CPU 上更快,并致力于让 XLA 成为行业标准的深度学习编译器,并且作为 OpenXLA 计划的一部分,谷歌已将其开放给开源协作。

OpenXLA

其次是分布式计算。谷歌正在专注于 DTensor 的研究,这是一种用于大规模模型并行的新 API。DTensor 将与 tf.distribute API 统一,允许灵活的模型和数据并行。

最后是性能优化。除了编译之外,谷歌还进一步专注于算法性能优化,例如混合精度和降低精度计算,从而在 GPU 和 TPU 上提供相当大的加速。

应用型 ML

用于 CV 和 NLP 的新工具。谷歌正在投资应用型 ML(Applied ML)的生态系统,特别是通过 KerasCV 和 Keras NLP 包为各种用例提供模块化和可组合的组件。

开发者资源。谷歌正在为流行以及新兴的应用机器学习用例添加更多代码示例、指南和文档,降低开发人员进入 ML 的门槛,使得每个开发工具简单可用。

部署层面

更容易导出。谷歌将会使模型导出到移动设备(Android 或 iOS)、边缘设备(微控制器)、服务器后端或 JavaScript 变得更加容易。用户可以将模型导出到 TFLite 和 TF.js,并优化模型推理性能,操作起来就像调用 model.export() 一样简单。

用于应用程序的 C++ API 。谷歌正在开发公共 TF2 C++ API ,作为 C++ 应用程序的一部分用于本地服务器端推理。

部署 JAX 模型。谷歌正在使得 TensorFlow 服务部署模型变得更容易。

部署 JAX 模型

简单化

NumPy API。过去几年,ML 领域快速发展,与此同时 TensorFlow 的 API 也随之增加。为了适应技术的发展,谷歌正在全面整合和简化 API。让 debug 变得更容易。在 ML 领域,debug 是一项不可忽略的技术。谷歌将专注于更好的 debug 功能,以最小化其时间。

谷歌表示,TensorFlow 未来将是 100% 向后兼容的。谷歌希望 TensorFlow 成为机器学习行业赖以发展的基石,并承诺从 TensorFlow 2 开始到下一个版本,TensorFlow 完全向后兼容,代码将按原样运行,不需要运行转换脚本,也不需要手动更改。谷歌将继续在 TensorFlow 框架上投资,以推动研究和应用,为数百万用户服务。

文章转载信息:

编辑:陈萍、杜伟

公众号:机器之心

2022-10-24 12:41 发表于北京

原文链接:https://blog.tensorflow.org/2022/10/building-the-future-of-tensorflow.html


版权声明 ▶ 本网站名称:陶小桃Blog
▶ 本文链接:https://www.52txr.cn/2022/FutureTensorflow.html
▶ 本网站的文章部分内容可能来源于网络,仅供大家学习与参考,如有侵权,请联系站长进行核实删除。
▶ 转载本站文章需要遵守:商业转载请联系站长,非商业转载请注明出处!!
▶ 站长邮箱 [email protected][email protected] ,如不方便留言可邮件联系。

最后修改:2022 年 10 月 24 日
如果觉得我的文章对你有用,请随意赞赏