Lei Feng réseau par AI Technology Review: Mars 7 heures, Sommet Google tensorflow Developer (tensorflow Summit Dev 2019) a eu lieu en Californie. Depuis Janvier de cette année, Google a publié tensorflow 2.0 Developer Preview, les développeurs enfin a marqué le début dans la version officielle de la tensorflow très attendue version 2.0 Alpha. Peut-être faire écho à la tensorflow 2.0 Google avait appelé un important « jalon », le logo de tensorflow est devenu un style plat « T » et « F » lettre du bâtiment comme des blocs mosaïque en trois dimensions passé.

Outre la publication tensorflow 2.0 version Alpha de Google lors de la conférence a également publié une mise à jour et les dernières réalisations d'autres logiciels « une liste de blanchisserie de » autour tensorflow, y compris: mise à jour tensorflow Lite 1.0, tensorflow js 1.0 et Swift pour tensorflow 0,2, fin du côté de la plate-forme d'apprentissage automatique tensorflow étendue (TFX), ainsi que deux tensorflow Federated framework open source pour la vie privée et la confidentialité tensorflow bibliothèques open source.

Il faut aussi mentionner que, avec l'arrivée de la version 2.0 Alpha tensorflow, Google a également publié deux cours d'apprentissage en profondeur: Udacity de « tensorflow introduction étude approfondie » et Deeplearning.ai de « tensorflow: des notions de base pour maîtriser la spécialisation » cours.

Tensorflow version 2.0 Alpha: l'accent sur la facilité d'utilisation

En Janvier de cette année, Google publiera tensorflow 2.0 Developer Preview, ce qui provoque les développeurs de tout cur les attentes. Deux mois plus tard, sans tensorflow préposé Developer Summit, qui fait partie de la plus grande attention tensorflow version 2.0 Alpha de la version.

Il est rapporté que, pour tensorflow 2.0, l'équipe tensorflow a entendu parler des développeurs API simplifiée, réduire la redondance et d'améliorer la documentation et de l'échantillon « pour mener à bien la conception proposée, tensorflow version 2.0 Alpha de la mise au point de mise à jour sur la simplicité et la facilité d'utilisation, la principale les mises à jour suivantes:

• Utilisez Keras et exécution désireux, facilement créer et exécuter modèle simple,

• Modèle de déploiement pour atteindre un environnement de production sur toute plate-forme

• Il fournit un outil expérimental puissant pour étudier

• En supprimant l'API API désapprouvée pour simplifier et réduire les doubles emplois

Pendant ce temps, au cours des dernières années, Google a ajouté successivement dans tensorflow dans un certain nombre de composants et tensorflow version 2.0 Alpha de ces composants sera emballé dans une plate-forme complète pour soutenir l'apprentissage de flux de travail de formation au déploiement de la machine, un schéma conceptuel simplifié de la nouvelle structure est représentée ci-dessous:

Le nouveau cadre est plus simpliste apporter un flux de travail plus de concis, à savoir: créer à l'aide du tuyau d'entrée tf.data lire les données de formation, puis utiliser tf.keras ou bâtiment Premade Estimateurs, la formation et le modèle de validation, puis réalisée avec l'exécution de l'exécution et le débogage désireux, la réutilisation de distribution API stratégie sans modification de la définition du modèle, basé sur différents CPU matériel, GPU et d'autres configurations sur la distribution et le modèle de la formation, et enfin exporter le modèle à SavedModel sauver. Leur flux de travail ci-dessous:

En outre, la version 2.0 Alpha tensorflow apporte également quelques nouvelles fonctionnalités qui permettent aux chercheurs et aux utilisateurs avancés une richesse d'expérience d'expansion, tels que Ragged tenseurs, tensorflow probabilité, Tensor2Tensor et ainsi de suite.

Pour simplifier processus de migration de code à tensorflow 2.0, Google fournit également un outil de conversion et document d'orientation pour la mise à jour du code Python tensorflow à utiliser est compatible avec tensorflow 2.0 de l'API, et ne seront pas marqués du code automatiquement converti.

En termes de mise à jour de l'API a également un tensorflow des moments forts de la version 2.0 Alpha sa API Keras sera désigné pour la construction de modèle d'apprentissage profond et la formation des API de haut niveau, et l'autre API défaussez . Il faut aussi mentionner que, KERAS propose plusieurs modèles à l'API de construction, par exemple, en utilisant la construction API séquentielle un modèle, puis utilisez l'exemple « compilation » et « ajustement », tensorflow.org dans tous les habituels « tf.keras » se trouve dans 2.0 facilité d'utilisation.

Une autre tensorflow version 2.0 Alpha du changement le plus évident est d'être utilisé pour des expériences d'apprentissage machine et la plate-forme de recherche --Eager mode priorité d'exécution est défini comme la valeur par défaut Cela signifie que toute opération sera exécuté immédiatement après l'appel, ce qui élimine la nécessité d'une carte statique prédéfini, vous pouvez « tf.Session.run » exécute chaque partie, de sorte que le processus de mise en uvre plus facile et plus rapide.

En outre, l'exécution Désireuse également une aide à code pour le prototypage, déboguer et surveiller le fonctionnement, l'utilisateur peut utiliser les objets Python débogueur inspecter des variables, des couches et des dégradés et des décorateurs d'utilisation « @ tf.function » Autograph accès direct intégré l'optimisation et l'efficacité des graphiques, ce processus est non seulement en mesure de conserver tous les avantages de la carte TensorFlow1.x basée sur le calcul statique effectué: l'optimisation des performances, l'exécution à distance, ainsi que la sérialisation, l'exportation et la capacité de déploiement, mais aussi une augmentation de l'expression d'un programme simple et Python souple et la facilité d'utilisation.

Dans l'ensemble, tensorflow version 2.0 Alpha a les trois caractéristiques suivantes :

• Tout d'abord, la facilité d'utilisation, ce qui se reflète principalement dans l'utilisation tf.keras comme API avancée, et l'exécution sera Désireuse comme mode par défaut.

• En second lieu, la simplicité, ce qui se reflète principalement dans tensorflow version 2.0 Alpha supprime les fonctions en double, et une syntaxe différente des appels API est devenue cohérente, intuitive, et sa compatibilité plus parfaite.

• Troisièmement, la flexibilité, ce qui se reflète principalement dans tensorflow version 2.0 Alpha fournit une API de bas niveau complet, et l'accès aux opérations internes tf.raw_ops tout en fournissant des interfaces variables et héritables couche de point de contrôle.

Le Developer Summit, directeur de l'ingénierie tensorflow Rajat Monga aussi à tous les exercices présentés tensorflow le « dossier »: Depuis son lancement en Novembre 2015, tensorflow téléchargements au total plus de 41 millions de fois, 50.000 fois les mises à jour du code soumis, à l'heure actuelle, plus de 1800 collaborateurs de partout dans le monde.

Avec plus soumis à l'opinion publique, l'utilisation de plus simple, tensorflow version 2.0 Alpha de la libération, la récolte à son tour tensorflow quels résultats? Nous pouvons attendre et voir.

• Tensorflow version 2.0 Alpha du site officiel: https: //www.tensorflow.org/alpha

• Tensorflow version 2.0 Alpha de l'adresse open-source: https: //github.com/orgs/tensorflow/projects/4

Note: Pour les différents niveaux de développeurs, tensorflow version 2.0 Alpha mis deux éditions Tutoriel:

• Starter Edition: en utilisant Keras API séquentielle, ce qui est la meilleure façon de commencer tensorflow 2.0.

• Version Vétéran: pour montrer comment impératif d'écrire la passe avant, comment utiliser le cycle de formation GradientTape écriture personnalisée, et comment utiliser la ligne de tf.function du code compilé automatiquement.

Deux cours d'apprentissage en profondeur: le soutien tensorflow version 2.0 Alpha

Avec la version 2.0 Alpha tensorflow de la version, Google a également publié une occasion spéciale avec le soutien des cours d'apprentissage en profondeur: Deeplearning.ai de « tensorflow: Mastering » ( « tensorflow: Principes de base à la spécialisation Maîtrise ») et distinctions de la science « tensorflow introduction étude approfondie » de la ville ( « Introduction à tensorflow pour l'apprentissage en profondeur »).

« Tensorflow: Mastering » est une série de cours pratiques Deeplearning.ai par le professeur Andrew Ng impliqué dans le développement et le coaching Objectifs pour aider à comprendre:

• Comment construire un modèle d'apprentissage de la machine dans le tensorflow

• Savoir construire un algorithme de reconnaissance d'image à l'aide du réseau de neurones et le réseau de neurones de la profondeur de convolution

• Comment déployer le modèle sur les appareils mobiles et les réseaux

• l'apprentissage de la détection d'objets, autre que la reconnaissance de texte tel que la reconnaissance d'image, et comme dans le

• apprentissage étendu personnalisé / formation pour les API de base

En plus de professeur Andrew Ng, un autre enseignant poids lourd du cours est le Dr Laurence Moroney.

Le cours est divisé en quatre semaines, l'horaire quotidien est:

• Première semaine: introduire un nouveau paradigme devient

• Deuxième semaine: Introduction à l'informatique Vision

• Semaine 3: convolution réseau de neurones amélioré la vision par ordinateur

• Semaine 4: utilisation des images du monde réel de

Cours adresse du lien: https: //www.deeplearning.ai/tensorflow-specialization/

« Tensorflow apprentissage en profondeur Introduction » est les distinctions de cours gratuits Xuecheng Elle a lancé depuis 2016 et compte aujourd'hui plus de 400.000 étudiants, et est officiellement devenu aujourd'hui une partie de la série Deeplearning.ai tensorflow de cours. Le cours du point de vue pratique pour expliquer la profondeur de l'apprentissage des connaissances du logiciel, ainsi que le modèle de tensorflow de fonctionnement réel sur les appareils mobiles, les nuages et le navigateur, afin que les étudiants maîtrisent toutes les compétences nécessaires pour créer des applications de l'IA.

Le cours est maintenant mis à jour 4 cours, à savoir: première classe: Outline Introduction au cours, deuxième classe: Introduction à l'apprentissage de la machine, la troisième leçon: modèle MNIST de formation, quatrième leçon: CNN introduction. À l'heure actuelle, la classe 4 ont été sur la ligne, et la cinquième conférence ne sont pas mis à jour.

Cours adresse du lien: https: //www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187

« Une liste de blanchisserie » d'autres logiciels huissier dans une mise à jour majeure

TensorFlow.js publié officiellement 1.0, tensorflow Lite 1.0

En fait, en plus de tensorflow version 2.0 Alpha, un autre point fort du sommet est officiellement sorti TensorFlow.js 1.0 tensorflow Lite 1.0 et plus.

Depuis sa libération 2018, TensorFlow.js été largement adopté maintenant télécharger jusqu'à 30 millions de fois, le nombre d'étoiles Github plus de 10000, plus de 100 collaborateurs au projet. La version officielle de TensorFlow.js 1.0 version mise à jour effectuée sur la base des versions précédentes, y compris : Ajout d'un modèle prêt en bibliothèque d'apprentissage automatique pour les tâches courantes pour les développeurs Web d'image, texte, voix, etc .; ajouter des plates-formes en cours d'exécution JS, comme une application de bureau, la plate-forme de terminal mobile local. De plus, cette version a été grandement améliorée dans la performance.

En tant que pour les appareils mobiles et embarqués pour créer une légère solution multi-plateforme, tensorflow principal problème Lite est: l'apprentissage automatique dans les téléphones portables, les voitures, les appareils portables et autres appareils face à la puissance de calcul limitée, la mémoire et de nombreuses restrictions telles que la capacité cellulaire.

Depuis mai 2017, la conférence des développeurs Google I / O a été proposé, tensorflow Lite a été déployé à plus de 20 millions d'appareils mobiles Et a été appliquée à la recherche Google, Google Assistant Pixel visuel de base et bien d'autres applications Google natives et services, ainsi que des produits partenaires de Google. Tensorflow Lite importance de Google de soi que cette version officielle tensorflow Lite 1.0 peut être dit être accueilli.

TensorFlow.js version 1.0 de l'adresse open-source: https: //github.com/tensorflow/tfjs/releases

Il ajoute deux nouveaux membres à la famille tensorflow

En outre, Google ajoute également deux autres nouveaux membres à la famille tensorflow: tensorflow fédérée (TFF) framework open source et tensorflow machine à la vie privée d'apprentissage des bibliothèques open source.

Tensorflow fédéré (TFF) est un cadre ouvert de la source de données distribuées pour effectuer l'apprentissage et d'autres calculs machine. Il utilise un apprentissage combiné (fédéré apprentissage, FL) Méthode d'apprentissage de la machine, la fin de la formation du modèle commun globalement dans une pluralité de clients, tandis que les données d'apprentissage est enregistré localement.

Tensorflow La vie privée est une bibliothèque open source apprentissage automatique tensorflow qui permet aux développeurs de modèle AI plus facilement formé a de fortes garanties de confidentialité. Google a déclaré qu'il envisage de développer dans les meilleurs modèles d'apprentissage de la machine de formation technique tensorflow Privacy Center, et offre une protection puissante de la vie privée.

• Tensorflow fédéré ouvert adresse Source: https: //github.com/tensorflow/federated

• Tensorflow confidentialité Ouvrir adresse Source: https: //github.com/tensorflow/privacy

Sur les étudiants intéressés du Sommet Developer tensorflow annuel 2019 peut aller sur le site officiel du sommet: https: regard en arrière //www.tensorflow.org/dev-summit la vidéo et voir les informations connexes. Lei Feng Lei Feng net net