Die neue Version von TensorFlow hat eine weitere Flagge! Das offizielle Team hat die „vier Säulen“ klargestellt: 100 % Abwärtskompatibilität und Veröffentlichung im Jahr 2023

Wen wählen Sie zwischen TensorFlow und PyTorch?

Alchemisten müssen von TF, statischen Bildern, Abhängigkeitsproblemen und unerklärlichen veränderten Schnittstellen gequält worden sein. Auch nach der Veröffentlichung von TF 2.0 durch Google wurde das Problem immer noch nicht gelöst. Nachdem wir keine andere Wahl hatten, als auf PyTorch umzusteigen, ist die Welt sonnig geworden.

„Das Leben ist kurz, ich benutze PyTorch“

Sogar Google hat begonnen, die Veröffentlichung von Eine neue Generation des Computer-Frameworks JAX anzukündigenEs scheint, dass die Beamten TF aufgegeben haben und TensorFlow nur die Hälfte davon ist Weg vom Grab, nur wenige Schritte entfernt.

Vor dem siebten Geburtstag von TF veröffentlichte das Entwicklungsteam von TensorFlow einen Blog, in dem es ankündigte, dass TensorFlow weiterentwickelt wird und im Jahr 2023 eine neue Version veröffentlichen wird, um mit der schmutzigen, unordentlichen und schlechten Benutzeroberfläche umzugehen wird behoben und wir versprechen 100 % Abwärtskompatibilität!

TensorFlow kämpft für die Zukunft

Vor etwa sieben Jahren, also am 9. November 2015, war TensorFlow offiziell Open Source.

Seitdem haben Tausende von Open-Source-Mitwirkenden und Google-Entwicklungsexperten in der Community, Community-Organisatoren, Forscher und globale Pädagogen in die Entwicklung von TensorFlow investiert.

Heute, sieben Jahre später, ist TensorFlow bereits die am häufigsten verwendete Plattform für maschinelles Lernen, die von Millionen von Entwicklern verwendet wird.

TF ist die drittplatzierte Softwareressourcenbibliothek auf GitHub (nach Vue und React) und außerdem das am häufigsten heruntergeladene Softwarepaket für maschinelles Lernen auf PyPI.

TF bringt maschinelles Lernen auch in das mobile Ökosystem: TFLite läuft auf 4 Milliarden Geräten.

TensorFlow bringt auch maschinelles Lernen in den Browser: TensorFlow.js wird 170.000 Mal pro Woche heruntergeladen.

TensorFlow unterstützt nahezu das gesamte maschinelle Lernen in der Produktion im gesamten Produktportfolio von Google, einschließlich Suche, GMail, YouTube, Maps, Play, Anzeigen, Fotos und mehr.

Neben Google liefern neben anderen Tochterunternehmen von Alphabet auch TensorFlow und Keras die Grundlage der maschinellen Intelligenz für Waymos selbstfahrende Autos.

In der breiteren Branche unterstützt TensorFlow maschinelle Lernsysteme bei Tausenden von Unternehmen, darunter die meisten der weltweit größten Benutzer maschinellen Lernens – Apple, ByteDance, Netflix, Tencent, Twitter und mehr.

Im Forschungsbereich indiziert Google Scholar jeden Monat mehr als 3000 neue wissenschaftliche Dokumente, in denen TensorFlow oder Keras erwähnt werden.

Die Entwicklung von TensorFlow ist nicht nur eine Errungenschaft, die es wert ist, gefeiert zu werden, sondern auch eine Gelegenheit, der Community des maschinellen Lernens noch mehr Mehrwert zu bieten.

Das Ziel des Entwicklungsteams ist es, die beste Plattform für maschinelles Lernen auf dem Planeten bereitzustellen und hart daran zu arbeiten, maschinelles Lernen von einer Nischenbranche in eine ausgereifte Branche wie die Webentwicklung zu verwandeln.

Um dieses Ziel zu erreichen, ist das Entwicklungsteam bereit, auf die Bedürfnisse der Benutzer zu hören, neue Branchentrends zu antizipieren, die Schnittstellen der Software zu iterieren und sich darum zu bemühen, groß angelegte Innovationen immer einfacher zu machen.

Maschinelles Lernen entwickelt sich rasant weiter, ebenso wie TensorFlow.

Das Entwicklungsteam hat mit der Arbeit an der nächsten Iteration von TensorFlow begonnen, die das nächste Jahrzehnt der maschinellen Lernentwicklung unterstützen und gemeinsam für die Zukunft kämpfen wird!

Vier Säulen von TensorFlow

Schnell und skalierbar: XLA-Kompilierung, verteiltes Rechnen, Leistungsoptimierung

TF wird sich auf die XLA-Kompilierung konzentrieren, basierend auf TPU-Leistungsvorteilen, so dass die meisten Modelltrainings- und Inferenz-Workflows dies sind schneller auf GPUs und CPUs. Das Entwicklungsteam hofft, dass XLA zum Industriestandard für Deep-Learning-Compiler wird und im Rahmen der OpenXLA-Initiative nun Open Source ist.

Gleichzeitig begann das Team auch mit der Untersuchung von DTensor, einer neuen Schnittstelle, die für die Parallelität großer Modelle verwendet werden kann, was die Zukunft des Trainings und Einsatzes sehr großer Modelle eröffnen könnte. Wenn Benutzer große Modelle entwickeln, fühlt es sich an, als würden sie auf einem einzigen Computer trainieren, selbst wenn sie mehrere Clients gleichzeitig verwenden.

DTensor wird mit der tf.distribution-Schnittstelle vereinheitlicht, um flexible Modelle und Datenparallelität zu unterstützen. Das Entwicklungsteam wird außerdem Techniken zur Leistungsoptimierung von Algorithmen weiter erforschen, wie z. B. Berechnungen mit gemischter Präzision und reduzierter Präzision, die zu erheblichen Verbesserungen der GPU- und TPU-Geschwindigkeit führen können.

Angewandtes maschinelles Lernen

für Computer Vision und natürliche Sprachverarbeitung Das Feld bietet neue Werkzeuge. Das Ökosystem für angewandtes maschinelles Lernen, an dem das Team arbeitet, insbesondere durch die KerasCV- und KerasNLP-Pakete, bietet modulare und zusammensetzbare Komponenten für angewandte CV- und NLP-Anwendungsfälle, einschließlich einer großen Sammlung hochmoderner vorab trainierter Modelle.

Für Entwickler wird das Team außerdem weitere Codebeispiele für beliebte und neue Anwendungsfälle für angewandtes maschinelles Lernen hinzufügen. Leitfäden und Dokumentationen, mit dem ultimativen Ziel, die Branchenbarrieren für maschinelles Lernen schrittweise abzubauen und es zu einem Werkzeug in den Händen jedes Entwicklers zu machen. Eine einfachere Bereitstellung, beispielsweise der Export auf mobile Geräte (Android oder iOS), Edge-Geräte (Mikrocontroller), Server-Backends oder JavaScript, wird einfacher.

In Zukunft wird der Export von Modellen nach TFLite und TF.js und die Optimierung ihrer Inferenzleistung so einfach sein wie der Aufruf von mod.export().

Gleichzeitig entwickelt das Team auch eine öffentliche TF2-C++-Schnittstelle für native serverseitige Inferenz, die direkt als Teil eines C++-Programms verwendet werden kann.

Ganz gleich, ob Sie Modelle mit JAX und TensorFlow Serving oder Mobil- und Webmodelle mit TensorFlow Lite und TensorFlow.js entwickeln, die Bereitstellung wird einfacher.

einfacher

Als Der Bereich des maschinellen Lernens hat sich in den letzten Jahren erweitert, ebenso wie die Schnittstellen zu TensorFlow, die nicht immer einheitlich oder leicht verständlich dargestellt werden.

Das Entwicklungsteam arbeitet aktiv an der Integration und Vereinfachung dieser APIs, beispielsweise durch die Übernahme des NumPy-API-Standards für Zahlen.

Modell-Debugging ist ebenfalls ein Thema, das berücksichtigt werden muss. Ein hervorragendes Framework ist nicht nur das API-Schnittstellendesign, sondern auch das Debugging-Erlebnis. Ziel des Teams ist es, die Lösungszeit für die Entwicklung eines angewandten maschinellen Lernsystems durch bessere Debugging-Funktionen zu minimieren.

Verpflichtung: 100 % Abwärtskompatibilität Das Entwicklungsteam hofft, dass TensorFlow zum Eckpfeiler der maschinellen Lernbranche wird und somit die Stabilität von Die API ist auch das wichtigste Merkmal.

Als Ingenieur, der sich auf TensorFlow als Teil eines Produkts verlässt, und als Paketersteller des TensorFlow-Ökosystems können Sie auf die neueste TensorFlow-Version aktualisieren und sofort in den Genuss neuer Funktionen kommen und Leistungsverbesserungen, ohne befürchten zu müssen, dass Ihre vorhandene Codebasis kaputt gehen könnte.

Daher verspricht das Entwicklungsteam volle Abwärtskompatibilität von TensorFlow 2 zur nächsten Version.

TensorFlow 2-Code kann unverändert ausgeführt werden, ohne dass eine Transkodierung oder manuelle Änderungen erforderlich sind. Das Team plant, im zweiten Quartal 2023 eine Vorschauversion der neuen TensorFlow-Funktionen zu veröffentlichen und später in diesem Jahr eine Produktversion herauszubringen.

Das obige ist der detaillierte Inhalt vonDie neue Version von TensorFlow hat eine weitere Flagge! Das offizielle Team hat die „vier Säulen“ klargestellt: 100 % Abwärtskompatibilität und Veröffentlichung im Jahr 2023. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!