La nouvelle version de TensorFlow a un autre drapeau ! L'équipe officielle a clarifié les « quatre piliers » : s'engageant sur une compatibilité descendante à 100 % et sorti en 2023

Entre TensorFlow et PyTorch, qui choisissez-vous ?

Les alchimistes ont dû être torturés par TF, images statiques, problèmes de dépendance et inexplicables interfaces modifiées Même après la sortie de Google TF 2.0, le problème n'a toujours pas été résolu. Après n'avoir eu d'autre choix que de passer à PyTorch, le monde est devenu ensoleillé.

"La vie est courte, j'utilise PyTorch"

Même Google a commencé à annoncer la nouvelle génération de framework informatique JAXIl semble que les responsables aient abandonné TF, et TensorFlow n'est qu'à mi-chemin de la tombe À quelques pas.

Avant le septième anniversaire de TF, l'équipe de développement de TensorFlow a publié un blog annonçant que

TensorFlow continuera à se développer et publiera une nouvelle version en 2023, pour faire face à l'interface sale, désordonnée et médiocre. être rectifié et nous vous promettons 100% de compatibilité descendante ! TensorFlow se bat pour l'avenir

Il y a environ

sept ans, c'est-à-dire le 9 novembre 2015, TensorFlow était officiellement open source.

Depuis lors, des milliers de contributeurs open source et d'experts en développement Google de la communauté, d'organisateurs communautaires, de chercheurs et d'éducateurs mondiaux ont investi dans le développement de TensorFlow.

Aujourd'hui, sept ans plus tard, TensorFlow est déjà la plateforme d'apprentissage automatique la plus utilisée, utilisée par des millions de développeurs.

TF est la troisième bibliothèque de ressources logicielles sur gitHub (après Vue et React), et est également le progiciel d'apprentissage automatique le plus téléchargé sur PyPI.

TF apporte également le machine learning à l'écosystème mobile : TFLite fonctionne sur 4 milliards d'appareils.

TensorFlow apporte également l'apprentissage automatique au navigateur : TensorFlow.js est téléchargé 170 000 fois par semaine.

TensorFlow alimente presque tout l'apprentissage automatique de production dans l'ensemble du portefeuille de produits de Google, notamment la recherche, GMail, YouTube, Maps, Play, Ads, Photos, etc.

En plus de Google, parmi d'autres filiales d'Alphabet, TensorFlow et Keras fournissent également la base de l'intelligence artificielle pour les voitures autonomes de Waymo.

Dans l'ensemble du secteur, TensorFlow alimente les systèmes d'apprentissage automatique de milliers d'entreprises, y compris la plupart des plus grands utilisateurs d'apprentissage automatique au monde : Apple, ByteDance, Netflix, Tencent, Twitter, etc.

Dans le domaine de la recherche, chaque mois, Google Scholar indexe plus de 3000 nouveaux documents scientifiques mentionnant TensorFlow ou Keras

TF l'est aujourd'hui, et sa base d'utilisateurs et son écosystème de développeurs sont plus grands que jamais et grandissent !

Le développement de TensorFlow n'est pas seulement une réussite qui mérite d'être célébrée, mais une opportunité d'apporter davantage de valeur à la communauté du machine learning.

L'objectif de l'équipe de développement est de fournir la meilleure plateforme d'apprentissage automatique de la planète et de travailler dur pour transformer l'apprentissage automatique d'une industrie de niche en une industrie mature comme le développement Web.

Pour atteindre cet objectif, l'équipe de développement est disposée à écouter les besoins des utilisateurs, à anticiper les nouvelles tendances du secteur, à itérer les interfaces du logiciel et à s'efforcer de rendre l'innovation à grande échelle de plus en plus facile.

L'apprentissage automatique évolue rapidement, tout comme TensorFlow.

L'équipe de développement a commencé à travailler sur la prochaine itération de TensorFlow, qui soutiendra la prochaine décennie de développement de l'apprentissage automatique et luttera ensemble pour l'avenir !

Quatre piliers de TensorFlow

Rapide et évolutif : compilation XLA, calcul distribué, optimisation des performances

TF se concentrera sur la compilation XLA, basée sur les avantages de performances TPU, de sorte que la plupart des workflows de formation et d'inférence de modèles soient plus rapide sur les GPU et les CPU. L'équipe de développement espère que XLA deviendra la norme industrielle pour les compilateurs d'apprentissage profond, et il est désormais open source dans le cadre de l'initiative OpenXLA.

Dans le même temps, l'équipe a également commencé à étudier DTensor, une nouvelle interface pouvant être utilisée pour le parallélisme de modèles à grande échelle, qui pourrait ouvrir l'avenir de la formation et du déploiement de très grands modèles. Lorsque les utilisateurs développent de grands modèles, même s’ils utilisent plusieurs clients en même temps, cela donne l’impression de s’entraîner sur une seule machine.

DTensor sera unifié avec l'interface tf.distribution pour prendre en charge des modèles flexibles et le parallélisme des données.

L'équipe de développement approfondira également ses recherches sur les techniques d'optimisation des performances des algorithmes, telles que les calculs de précision mixte et de précision réduite, qui peuvent fournir des améliorations considérables de la vitesse du GPU et du TPU.

Applied Machine Learning

fournit de nouveaux outils pour les domaines de la vision par ordinateur et du traitement du langage naturel.

L'écosystème d'apprentissage automatique appliqué sur lequel l'équipe travaille, notamment via les packages KerasCV et KerasNLP, fournit des composants modulaires et composables pour les cas d'utilisation appliqués du CV et de la PNL, y compris un grand nombre de pré- modèles formés.

Pour les développeurs, l'équipe ajoutera également davantage d'échantillons de code, de guides et de documentation pour les cas d'utilisation populaires et émergents de l'apprentissage automatique appliqué, dans le but ultime de réduire progressivement les obstacles de l'industrie à l'apprentissage automatique et de le transformer en un outil entre les mains de chaque développeur.

Plus facile à déployer

Les développeurs auront plus de facilité à exporter des modèles, comme l'exportation vers des appareils mobiles (Android ou iOS), des appareils de périphérie (microcontrôleurs), des backends de serveur ou JavaScript deviendra plus facile.

À l'avenir, exporter des modèles vers TFLite et TF.js et optimiser leurs performances d'inférence sera aussi simple que d'appeler mod.export().

Parallèlement, l'équipe développe également une interface publique TF2 C++ pour l'inférence native côté serveur, qui peut être directement utilisée dans le cadre d'un programme C++.

Que vous développiez des modèles à l'aide de JAX et TensorFlow Serving, ou des modèles mobiles et Web développés à l'aide de TensorFlow Lite et TensorFlow.js, il deviendra plus facile à déployer.

Plus facile

À mesure que le domaine de l'apprentissage automatique s'est développé au cours des dernières années, les interfaces de TensorFlow se sont également développées, et elles ne sont pas toujours présentées de manière cohérente ou facile à comprendre. .

L'équipe de développement intègre et simplifie activement ces API, par exemple en adoptant la norme API NumPy pour les nombres.

Le débogage du modèle est également un problème qui doit être pris en compte. Un excellent framework n'est pas seulement la conception de son interface API, mais aussi l'expérience de débogage.

L'objectif de l'équipe est de minimiser le temps de résolution pour développer tout système d'apprentissage automatique appliqué grâce à de meilleures capacités de débogage.

Engagement : 100 % de compatibilité descendante

L'équipe de développement espère que TensorFlow deviendra la pierre angulaire de l'industrie de l'apprentissage automatique, la stabilité de l'API est donc également la caractéristique la plus importante.

En tant qu'ingénieur qui s'appuie sur TensorFlow dans le cadre d'un produit et en tant que créateur de packages de l'écosystème TensorFlow, vous pouvez passer à la dernière version de TensorFlow et profiter immédiatement de nouvelles fonctionnalités et améliorations de performances sans vous soucier des éléments obsolètes. les bases de code peuvent planter.

Par conséquent, l'équipe de développement promet une compatibilité descendante totale de TensorFlow 2 vers la prochaine version.

Le code TensorFlow 2 s'exécute tel quel, aucun transcodage requis, aucune modification manuelle requise.

L'équipe prévoit de publier une version préliminaire des nouvelles fonctionnalités de TensorFlow au deuxième trimestre 2023 et publiera une version du produit plus tard cette année.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!