Для получения дополнительных галантерейных товаров, пожалуйста, обратите внимание на публичный аккаунт WeChat «AI Frontline» (ID: ai-front)
Машинное обучение открывает перед людьми безграничные возможности. TensorFlow применялся во многих областях с многообещающими результатами.
Астрофизики используют TensorFlow для анализа огромных объемов данных НАСА и открытия новых планет.
Медицинские исследователи используют TensorFlow для оценки риска сердечно-сосудистых заболеваний у пациентов.
Центры управления воздушным движением используют TensorFlow для прогнозирования траекторий полета самолетов, что делает полеты более безопасными, а посадки более эффективными.
Инженеры используют TensorFlow для анализа данных мониторинга тропических лесов, выявления лесовозов и других незаконных действий.
Африканские ученые используют TensorFlow для обнаружения болезней растений маниоки, помогая фермерам увеличить урожай.
На конференции команда TensorFlow анонсировала новейшие функции TensorFlow, которые обеспечат разработчикам лучший опыт разработки.
Разработчики надеются, что TensorFlow сможет еще больше упростить использование, поэтому команда TensorFlow предлагает интуитивно понятную модель программирования для разработки на Python, которая называется «нетерпеливое выполнение» (https://www.tensorflow.org/programmers_guide/eager). Разработчики могут разрабатывать код на основе этой модели, а затем использовать тот же код для создания вычислительных графов для обучения. Команда TensorFlow также предоставляет способ запуска оценочных моделей на нескольких графических процессорах на одном компьютере, что позволяет разработчикам быстро масштабировать модели с небольшими изменениями кода.
Модели машинного обучения становятся все более сложными.Чтобы помочь разработчикам лучше делиться и повторно использовать модели, команда TensorFlow запустила TensoFlow Hub (http://tensorflow.org/hub) для публикации и поиска повторно используемых модулей (Отдельный фрагмент графа TensorFlow). Эти модули уже содержат информацию о весе и могут быть предварительно обучены на больших наборах данных и могут использоваться непосредственно в приложении разработчика. Повторно используя эти модули, разработчикам нужно обучать модели только на небольших наборах данных, что ускоряет обучение. Они также выпустили интерактивный плагин отладки (https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/debugger/README.md), который разработчики могут использовать в режиме реального времени как часть инструмента визуализации TensorBoard. отслеживает внутренние узлы вычислительного графа.
Обучение модели — это только один шаг в процессе машинного обучения, и разработчикам необходимо комплексное решение для создания реальных систем машинного обучения. С этой целью команда TensorFlow выпустила дорожную карту TensorFlow Extended (TFX) вместе с TensorFlow Model Analysis, библиотекой с открытым исходным кодом, которая сочетает в себе вычислительную мощность TensorFlow и Apache Beam. Теперь разработчики могут подготавливать данные, обучать данные, проверять данные и развертывать модели в производственных средах на основе опубликованных компонентов TFX, включая анализ моделей TensorFlow, преобразование TensorFlow, оценщики и обслуживание TensorFlow.
Теперь разработчики могут использовать TensorFlow на большем количестве языков программирования. TensorFlow.js (https://js.tensorflow.org) — новейшая среда машинного обучения JavaScript. Использование TensorFlow.js для машинного обучения в браузере открывает новые возможности как для интерактивного машинного обучения, так и для машинного обучения на основе данных на стороне клиента. Разработчики могут использовать платформу для обучения моделей в браузере или импортировать модели TensorFlow и Keras, обученные в автономном режиме, а затем использовать WebGL для ускорения логического вывода. Эта игра (https://emojiscavengerhunt.withgoogle.com) разработана с использованием TensorFlow.js.
TensorFlow для Swift (https://www.tensorflow.org/community/swift) будет открыт в апреле., что, несомненно, является интересной новостью для разработчиков Swift. Он объединяет собственный компилятор и языковую поддержку, а также предоставляет мощные возможности графических вычислений на основе модели активного выполнения. Проект все еще находится в стадии разработки, и дальнейший прогресс будет следовать.
TensorFlow Lite также получил обновление. Помимо Android и iOS теперь поддерживается Raspberry Pi. Основной синтаксический анализатор TensorFlow Lite имеет размер всего 75 КБ (1,1 МБ для TensorFlow) и может запускать модели классификации квантованных графов до 3 раз быстрее, чем TensorFlow.
Что касается аппаратного обеспечения, TensorFlow интегрируется с TensorRT от NVIDIA. TensorRT — это библиотека машинного обучения для оптимизации моделей глубокого обучения и создания сред выполнения для развертывания моделей на графических процессорах. Это привносит множество оптимизаций в TensorFlow, которые могут автоматически выбирать ядра для конкретной платформы, чтобы максимизировать пропускную способность и минимизировать задержку при выполнении логических выводов на графических процессорах.
Для тех, кто использует TensorFlow на процессорах, Intel, партнер TensorFlow, выпустила библиотеку с открытым исходным кодом MKL-DNN для глубокого обучения. Наблюдается 3-кратное ускорение при выполнении логических выводов на любой платформе ЦП Intel.
Есть больше платформ, на которых работает TensorFlow, включая Cloud TPU. Команда Google Cloud TPU ускорила работу ResNet-50 в 1,6 раза, и эти улучшения будут доступны пользователям TensorFlow в версии 1.8.
Многие задачи анализа данных решаются статистическими и вероятностными методами. Помимо моделей глубокого обучения и нейронных сетей, TensorFlow также предоставляет API TensorFlow Probability (https://github.com/tensorflow/probability) для байесовского анализа. Этот набор API-интерфейсов предоставляет строительные блоки, такие как распределения вероятностей, методы выборки и современные метрики и потери.
Машинное обучение и TensorFlow помогли людям решить критические задачи во многих областях. Следующая область, в которую может войти TensorFlow, — это генетика, поэтому команда TensorFlow выпустила библиотеку Nucleus (https://www.github.com/google/nucleus) для чтения, записи и фильтрации общедоступных форматов файлов генов, для использования в TensorFlow. . Также выпущен DeepVariant (https://github.com/google/deepvariant/blob/r0.5/README.md), основанный на TensorFlow инструмент для обнаружения генетических вариантов, который будет иметь важное значение для помощи в генетических исследованиях.
Эти обновления TensorFlow — отличный подарок сообществу пользователей и участников, которые сделали TensorFlow одной из самых популярных сред машинного обучения. Чтобы повысить вовлеченность сообщества и следить за прогрессом TensorFlow, команда TensorFlow запустила блог TensorFlow (http://blog.tensorflow.org) и канал TensorFlow на YouTube (http://youtube.com/tensorflow).
Они также запустили новую группу рассылки (http://tensorflow.org/community/lists) и группу пользователей по интересам (https://tensorflow.org/community/contributing#special_interest_groups). Вы можете посетить домашнюю страницу сообщества TensorFlow (https://tensorflow.org/community) или подписаться на TensorFlow в Twitter (http://twitter.com/tensorflow), чтобы быть в курсе последних новостей.
Оригинальная ссылка:
https://medium.com/tensorflow/highlights-from-tensorflow-developer-summit-2018-cd86615714b2