电脑之心报道
编辑：泽南
上周，Google 开发人员讨论会重逢实体店。
自从十年前伏彩瑞、Quoc Le 等人发表「辨识猫」学术论文，引发控制技术革命之后，Google 始终助推着电脑学习的西南风，另一家公司举行的开发人员大
9 月 14 日到 15 日，Google 开发人员讨论会在上海举行。在那场活动中，Google 紧紧围绕自身在各个应用领域的新一代控制技术，如是说了虚拟化控制技术、个人隐私保护、电脑学习、XR 等控制技术，以及与许多合作方的新一代破冰丰硕成果。
在电脑学习应用领域里，TensorFlow 做为最流行的架构始终被人们所津津乐道，前段时间它刚刚变异到 2.10 版。在开发人员讨论会上，Google 如是说了开放源码电脑学习自然生态体系 Tensor Projects 的概念。
电脑学习是一个利用未知统计数据来体能训练推理数学模型的操作过程，经过体能训练的数学模型可以在不同凡响的统计数据上作出有效预测，完成从人脸辨识、音频到语义处理等多种任务。塑造出领跑的电脑学习架构的操作过程正是为的是努力做到这一点。Google希望通过 TensorFlow 架构提供的能力，为世界增添更多启迪和意念。
在 2016 年，Google开放源码了 TensorFlow，那时的业内情况和目前大相径庭——当时真正算是掌控电脑学习控制技术的人约只有上千人，而今天这个位数已经增长到了数百万，未来还会更多。
在 Tensor Projects 的使用者中，譬如著眼于各个应用领域的，也有把电脑学习做为基本操作攻下其他应用领域研究的，不过在许多情况下，那些广告主都有相似的需求。随着电脑学习专业人才数量的增加，应用应用软件也需要向前产业发展。
「在 2021 年全球有 2430 万多名应用软件开发人员，这一位数在 2030 年预计将达到 4500 万人，」Google TensorFlow 控制植保技师陆定一说道。「其中大多数人并不会以电脑学习为兼职组织工作，约有 1/4 会在开发操作过程中使用电脑学习，一部分核心组织工作包括体能训练、布署和管理电脑学习数学模型。他们会打造出许多现在无法想象的多媒体播放，比如在手机上给相片智能化重置不想内容的功能。」
电脑学习也在不断产业发展，最前沿的科学研究前段时间又为我们增添了 AlphaFold 等重大丰硕成果。为的是促进那些目标，那些年Google始终在致力于塑造出电脑学习架构、库、基础建设、悖论和讲义，也掌控了从头开始塑造出电脑学习应用的丰富经验。
如今，TensorFlow 控制技术本身已经包含统计数据、建模、布署到维护的全流程，在这之下还有专用的加速基础建设可以优化整个生命周期，实现了从业余爱好者到科学研究人员都适用的免费开放源码产品自然生态。
Tensor Projects 做为Google电脑学习的自然生态，其中包含了不同的控制技术产品。例如，在构建数学模型的时候，Keras 可以帮你用简洁的方法构建数学模型，它被认为是更适用于初学者的应用应用软件。Google 表示，现在人们使用 TensorFlow Light Model Maker 可以解决创造移动端数学模型时面临的许多复杂任务。
「制作 App 或网站时你需要集成数学模型，我们塑造出了 task 库帮助人们使用数学模型。Model Maker 和 Task 库目前都已经支持端侧大规模近邻搜索，可以在几毫秒内在百万统计数据中找出近似的图片、文字或音频，所有的一切都可以发生在手机上。」陆定一表示。
JAX 是 Google Research 团队开发的高性能电脑学习库，拥有和 NumPy 相似的 API 接口，并使用 XLA 编译器来进行数学模型加速。许多科学研究者对其寄予厚望，希望它可以取代 TensorFlow 成为新一代流行深度学习架构。
在Google，JAX 被定义为最前沿科学研究使用的电脑学习架构，TensorFlow 则是应用时使用的架构。据如是说，DeepMind 就曾使用 JAX 开发了 AlphaFold 来解决蛋白质折叠问题，从而精准预测蛋白质结构。
JAX 针对Google的基础建设专门优化了数学计算，目前这套基础建设已经开放给了所有开发人员使用。开发人员们可以在 TensorFlow 上简单修改几行代码，即可接入Google TPU 的算力。
Google 也产业发展了算法布署的工具。如今在数学模型布署时，你可以使用 TensorFlow Extended （TFX）把模型布署到所有位置：从云端到网页服务器、浏览器、嵌入式系统等等。但与此同时，我们需要修复 bug，处理新的统计数据，保证数学模型输出负责任的结果。TensorFlow Extended （TFX）让数学模型的持续训练成为的是可能：它可以帮助你更深入地理解数学模型性能，你可以用 TFX 体能训练多端数学模型，随时接入 Colab。
前段时间一段时间，人们对于可信电脑学习重视程度越来越高，当你塑造出负责任的电脑学习数学模型时，数学模型卡片可以提供透明度，现在 TFX 也可以自动生成数学模型卡片了。
TFX 上一个受欢迎的组件是 TensorFlow Serving，它可以帮助把数学模型布署到服务器上，然后远程调用。Google前段时间已经发布了四个新的 Learning Pathways，帮助大家学习如何从安卓、Flutter、Web 端来调用 TensorFlow 的接口，完成数学模型推理。
Google也发布了两个新的 Colab 来帮助开发人员学习 TensorFlow Recommenders 和 TensorFlow Agents 来塑造出基于电脑学习的全栈虚拟化 App，
目前，TensorFlow Lite 运行库已经被集成进 Google Play Service，这意味着使用者可以始终使用新一代版本的 TensorFlow Lite。许多应用目前已经在使用 Google Service 中的 TensorFlow Lite，每个月有超过 4 亿使用者，完成 200 亿次推理。
Google 也在帮助更多开发人员，降低电脑学习的应用门槛。
Google提出了 MediaPipe，希望能为开发人员提供高度可定制化的设备端电脑学习解决方案。其控制技术已在 Google Meet 在线会议的背景模糊，Nest 的人员移动检测、包裹递送通知、收拾辨识，YouTube 的虚拟试妆等功能上得到了应用。支持多数学模型，多硬件加速，虚拟化的电脑学习任务。
在讨论会现场，Google 向我们展示了 MediaPipe 在骨骼绑定、动作和手势辨识等计算机视觉任务上的能力，只需本地 GPU 和摄像头，算法就可以实时探测出面前人们的各种动作。
MediaPipe 将复杂的电脑学习流水线都封装成为 Task，方便开发人员用最简单的方式定制数学模型。在未来，设备端电脑学习控制技术的调用将简化到仅需几行代码，甚至无需代码。Google下一步的计划，是把 MediaPipe 从视觉拓展到音频辨识和语义处理应用领域。
在电脑学习社区里，Google的官方电脑学习讲义始终被受到欢迎，继推出《TensorFlow 入门实操课程》后，TensorFlow 团队前段时间携手网易有道在 Mooc 平台上面向对布署应用领域感兴趣的开发人员推出了专题课程：《 TensorFlow 入门课程 – 布署篇 》，同时也推出了中文版的《开发人员在线课程》。
Google 提供的工具为人们提供了丰富的选择，不论科研还是生产，在做下个电脑学习项目时，你肯定还会先试一下用 TensorFlow 该怎么做。
© THE END
投稿或寻求报道：[email protected]
