前有全球千百萬開發(fā)者的熱烈追捧，后有谷歌爸爸的鼎力支持，TensorFlow從一出生開始就注定不平凡。

而谷歌剛剛宣布將推出TensorBoard.dev預覽版，用于共享TensorBoard機器學習可視化效果，同時發(fā)布的還有TensorFlow Enterprise，通過TensorFlow與云團隊之間的協(xié)作來生成云服務。

根據(jù)谷歌副總裁Megan Kacholia所言，“現(xiàn)在可以托管和跟蹤ML實驗，并實現(xiàn)公開共享，無需設置，只需上傳日志及共享URL，其他人即可查看實驗及使用TensorBoard所做的一切”。TensorFlow Enterprise旨在為大型企業(yè)提供TensorFlow的優(yōu)化版本，可提供多達3倍的數(shù)據(jù)讀取改進。

作為全球最熱的開源軟件平臺，TensorFlow的大名相信已經不需要過多介紹。早在2011年，谷歌大腦團隊作為內部機器學習工具而打造的DistBelief就凝聚了一大批谷歌杰出程序員的心血，其中不乏Jeff Dean這樣的天才人物。

2015年11月，以DistBelief為基礎，TensorFlow初版正式發(fā)布，立即引發(fā)強烈反響，當時就有報道將TensorFlow和2008年安卓手機操作系統(tǒng)的誕生相提并論，更有人稱TensorFlow的發(fā)布標志著“谷歌已經從一家搜索公司，變成了一家機器學習公司。在未來幾年內將在技術行業(yè)引發(fā)強烈震動。”

后來的事實證明，這個說法實際上并不準確，TensorFlow給技術行業(yè)帶來的不僅僅是震動，而是一場全方位的革命。正如MapReduce和Hadoop讓“大數(shù)據(jù)”變得家喻戶曉一樣，過去幾年來，伴隨著機器學習領域的飛躍式發(fā)展，在“機器學習”幾乎成為計算機科學的代名詞的過程中，TensorFlow更是居功至偉。

正值TensorFlow 2.0正式版發(fā)布不久之際，全球開發(fā)者和開源用戶又迎來了另一次歷史性的盛事：首屆TensorFlow World大會正于美國加州圣克拉拉舉辦。

短暫開場式后，Jeff Dean亮相做開場主題演講。

Jeff Dean：TensorFlow下載量已超4600萬

Jeff Dean表示，盡管芯片的摩爾定律可能面臨終結，但“AI論文數(shù)量”的摩爾定律可能才剛剛起步。現(xiàn)在，每天都有100篇機器學習領域的新論文誕生。

機器學習使得過去不可能的事情變得可能。語音識別、圖像識別翻譯和預測上的性能日新月異。2011年，機器學習圖像識別的錯誤率最低大概是26%，到了2016年，這個數(shù)字就迅速降至4%，錯誤率已經低于經過專業(yè)訓練的人類水平（5%）。

在語音識別和機器翻譯等其他基于機器學習的領域，也出現(xiàn)了同樣明顯的技術進步。

Jeff Dean在演講中列出了美國國家工程院于2008年發(fā)布的“21世紀14大工程學挑戰(zhàn)”。十年后的現(xiàn)在回過頭來看，有些問題已經解決，有些看到了解決的希望，有些仍未解決。值得注意的是，在已經解決的問題中，機器學習和AI發(fā)揮了不可或缺的作用。

重建和提升城市基礎設施

交通是城市生活的重要組成部分，在機器學習和計算機視覺技術的加持下，自動駕駛車輛的性能迅速提升，雷達、多角度攝像頭和傳感器讓車輛具備實時處理來自環(huán)境的原始數(shù)據(jù)的能力。換句話說，車輛能夠在行駛中實時快速理解周圍正在發(fā)生的事。

這些都不再是遙不可及的夢，谷歌旗下的自動駕駛車企業(yè)Waymo早已開始路測，從去年開始，Waymo的路測車輛中坐的是普通的乘客，而且拿掉了安全員。

重塑醫(yī)療信息學

Jeff Dean認為，在醫(yī)療領域，AI技術的最重要意義在于，將世界級的專業(yè)醫(yī)學服務，以極低的成本帶給了世界上更多的人。

以糖尿病視網(wǎng)膜病變?yōu)槔?，這是世界上導致可預防性致盲的疾病中增長最快的一種，全世界因該病而可能致盲的人群多達4億。通過每年定期檢查，可以有效防控這種疾病，降低致盲風險。但是做這種檢查需要專業(yè)的眼科醫(yī)生，一般醫(yī)生無法勝任，這導致印度有45%的患者因為眼科醫(yī)生數(shù)量短缺，沒能及時確診而致盲。

怎么辦？Jeff Dean表示，該病的診斷實際上可以通過計算機視覺來輔助進行，訓練深度神經網(wǎng)絡學習“看圖診斷”。診斷結果很有意思，AI醫(yī)生和人類眼科醫(yī)生平均有60%的幾率給出一致的診斷意見，看上去并不高是吧？如果讓人類醫(yī)生隔幾個小時看同一張片子，兩次給出相同診斷意見的概率也只有65%。

這個問題其實不難解決。只要增加人類醫(yī)生的數(shù)量，繼續(xù)用標記圖像數(shù)據(jù)訓練AI模型，最終模型的診斷水平甚至能夠相當于甚至超過美國眼科醫(yī)生的平均水平。

NLP終于迎來新范式

前面許多進步都依賴于能夠理解文本，而在理解語言方面，最近取得了很大的進步。

2017年谷歌研究員提出Transformer模型，這篇論文非常成功，在英語-德語和英語-法語的機器翻譯中達到了最高的準確率，同時計算成本降低了10~100倍。

到了2018年，谷歌研究員提出BERT模型，這是一個強大的預訓練模型，如今已經成為一種新的NLP范式。比如在“完形填空”這個任務中，它的原理是：

步驟1：使用大量的自我監(jiān)督文本，為“完形填空”任務預訓練一個模型

步驟2：使用少量數(shù)據(jù)對單個語言任務的模型進行微調。

在GLUE基準測試中，BERT模型在一系列語言任務中都取得了最好的結果。

Jeff Dean接著介紹Google在開發(fā)用于科學發(fā)現(xiàn)的工具方面的進展，無論是無人駕駛還是太空探索，都需要有最好的工具，TensorFlow就是其一。

TensorFlow現(xiàn)在已經被下載46000000次，被用到各種各樣的任務當中，有些甚至超乎想象。

自動化機器學習AutoML

Jeff Dean 接下來介紹了 AutoML。

自動化機器學習的目標是為計算機開發(fā)能夠自動解決新的機器學習問題的技術，而不用每次遇到新問題都需要人類機器學習專家干預。如果我們想要真正的智能系統(tǒng)，這是所需要的最基本的能力。AutoML 是使用強化學習和進化算法設計神經網(wǎng)絡結構的新方法。

再如神經架構搜索(NAS)，這也是當前研究的一個熱點，它的想法是通過強化學習訓練模型生成器，然后：

(1)生成10個模型

(2)訓練幾個小時

(3)用生成的模型的損失作為強化學習信號

從而提升模型的準確性，應用到自己的任務中。

通過不斷迭代來找到最優(yōu)的模型，這樣的模型非常有效。

上面是一個圖像識別的模型。過去幾年深度學習在圖像識別方面取得了非常快速的進展，如下面的折線圖所示，縱軸表示圖像識別的準確性，橫軸表示浮點數(shù)量，藍色線條是AutoML的表現(xiàn)，可以看到，模型的準確性在不斷提高。

Jeff Dean預測，由于計算能力的提升，自動化機器學習的能力會不斷增長。

圖像識別之外，在物體檢測、機器翻譯等領域也有同樣的趨勢。

最后，Jeff Dean總結了TensorFlow的目標：

• 大模型，但稀疏激活
• 單個模型解決多個任務
• 通過大模型動態(tài)地學習和成長路徑
• 模型架構根據(jù)需要進行調整
• 利用現(xiàn)有的技能和表示添加新任務

為什么要選擇TensorFlow 2.0？

谷歌副總裁Megan Kacholia為我們介紹了最新的TensorFlow 2.0。

圖：谷歌副總裁Megan Kacholia

TensorFlow 是一個端到端開源機器學習平臺。它擁有一個包含各種工具、庫和社區(qū)資源的全面靈活生態(tài)系統(tǒng)，可以讓研究人員推動機器學習領域的先進技術的發(fā)展，并讓開發(fā)者輕松地構建和部署由機器學習提供支持的應用。

Megan把TensorFlow形容為“一個完整的生態(tài)系統(tǒng)”，可以幫助開發(fā)者使用機器學習解決棘手的現(xiàn)實問題。它具備3大特點：

1、輕松地構建模型

TensorFlow 提供多個抽象級別，因此開發(fā)者可以根據(jù)自己的需求選擇合適的級別。可以使用高階 Keras API 構建和訓練模型。如果對更高的靈活性又要求，則可以借助 Eager Execution 進行快速迭代和直觀的調試。對于大型機器學習訓練任務，可以使用 Distribution Strategy API 在不同的硬件配置上進行分布式訓練，而無需更改模型定義。

2、隨時隨地進行可靠的機器學習生產

TensorFlow 始終提供直接的生產途徑。不管是在服務器、邊緣設備還是網(wǎng)絡上，無論使用何種語言或平臺，TensorFlow 都可以讓開發(fā)者輕松地訓練和部署模型。如果需要完整的生產型機器學習流水線，可以使用 TensorFlow Extended (TFX)；如果要在移動設備和邊緣設備上進行推斷，可以使用 TensorFlow Lite。如果想在 JavaScript 環(huán)境中訓練和部署模型，可以使用 TensorFlow.js 。

本文來自新智元，本文作為轉載分享。