通过Google的新投资TensorFlow现在已成为AI的领先开发框架

深度学习，机器学习和其他人工智能的开发人员越来越多地采用TensorFlow框架。

尽管TensorFlow不是正式的Apache项目，但几年前由其开发者Google LLC开源，该公司继续对该框架进行大量投资。在 上周于加利福尼亚州山景城举行的TensorFlow开发者峰会上，Google宣布了几项声明，表明其对TensorFlow的发展承诺仍然坚定。

TensorFlow逐渐成熟为真正的企业级AI开发工具。随着500多位现场参与者以及通过直播的更多参与者看到，Google宣布已在TensorFlow周围开发工具，支持平台和开发者生态系统方面进行了以下新投资：

端到端TensorFlow开发管道平台：Google宣布了称为TensorFlow Extended或TFX的未来端到端AI管道平台的路线图。该平台将包括迄今已发布的组件，包括TensorFlow模型分析，TensorFlow变换，估计 和TensorFlow服务， 生产以及将来的集成组件，以帮助开发者准备数据，培训，验证和部署TensorFlow模型。

TensorFlow客户端支持：Google宣布TensorFlow.js，这是一个针对JavaScript开发人员的基于浏览器的新ML框架。TensorFlow.js是一个交互式框架，用于开发客户端ML应用程序，其中数据完全保留在浏览器中。 它完全在浏览器中支持ML模型的构建和训练。它还支持导入经过离线训练的TensorFlow和Keras模型，以支持使用WebGL加速的基于浏览器的推理。Google宣布对TensorFlow Lite进行更新，其中包括一个重量更轻，速度更快的核心解释器，用于在移动设备和其他边缘设备(包括在Raspberry Pi上运行的设备)上部署经过训练的ML模型。它宣布将开源TensorFlow for Swift 支持在iOS中运行的移动应用程序的ML / DL开发。

TensorFlow开发人员的经验：Google为TensorFlow开发人员推出了直观的编程模型。这个名为eager执行的新模型提供了一个命令式Python编程环境，该环境可以立即在TensorFlow中评估计算图操作，而无需执行额外的图构建步骤。 急切的执行可以在小型模型和小型数据上进行快速迭代。它可帮助AI开发人员快速入门并以交互方式调试TensorFlow模型，而不必始终构造计算图以供以后执行。

TensorFlow模型共享和重用：Google推出了一个新的库TensorFlow Hub，该库旨在帮助开发人员共享和重用DL模型。TensorFlow Hub鼓励发布和发现自包含的TensorFlow图的模块化片段，以便在类似任务中重复使用。这些模块已在大型数据集中进行了预训练，并且可能会被重新训练并在新的应用程序中使用。

TensorFlow模型评估和调试：Google宣布了TensorFlow Model Analysis，这是一个开放源代码库，结合了TensorFlow和Apache Beam来计算和可视化模型评估指标。它还启动了Debugger Dashboard，这是用于TensorBoard可视化工具的交互式图形调试器插件，可帮助开发人员实时检查并逐步浏览TensorFlow计算图的内部节点。

TensorFlow硬件支持：Google推出了一种新方法，可在一台机器上的多个图形处理单元上运行TensorFlow Estimator模型，从而使开发人员能够以最少的代码更改快速扩展其模型。它宣布了TensorFlow与NVIDIA TensorRT库的集成，该库优化了DL模型以在GPU上进行推理，并创建了运行时以在生产环境中部署在GPU上。谷歌还宣布，它与英特尔已经实现了与更快，更高效的英特尔MKL-DNN开源DL库的集成。此外，它还说TensorFlow现在可以在谷歌的Cloud TPU上运行，后者已经发布了Beta 将于2月发布，并将在即将发布的TensorFlow 1.8版本中提供给TensorFlow用户。

TensorFlow统计算法支持：Google宣布TensorFlow现在通过TensorFlow概率API和库支持贝叶斯分析，该库和构建库包含诸如概率分布，采样方法以及新指标和损失之类的构建块。它还宣布了新的预制高级课程，用于培训和部署增强型决策树。

TensorFlow应用程序领域：Google为TensorFlow发布了Nucleus基因组库，该库支持读取，写入和过滤常见的基因组文件格式。与DeepVariant(基于TensorFlow的开源工具进行基因组变异发现)配合使用，旨在加速TensorFlow中的基因组研究和开发。

为了围绕TensorFlow构建开发者生态系统，Google还宣布了一系列新的社区资源，包括官方TensorFlow博客，TensorFlow YouTube频道，新的TensorFlow邮件列表 和TensorFlow特殊兴趣小组。