機器之心報道

編輯：澤南

上周，Google 開發者大會重聚線下。

自從十年前吳恩達、Quoc Le 等人發表「識别貓」論文，引發技術革命之後，Google 一直引領着機器學習的風向，這家公司舉辦的開發者大會總會受到人們額外的關注。

9 月 14 日到 15 日，Google 開發者大會在上海舉行。在這場活動中，Google 圍繞自身在科技領域的最新技術，介紹了跨平台技術、隐私保護、機器學習、XR 等技術，以及與很多合作夥伴的最新落地成果。

在機器學習領域裡，TensorFlow 作為最流行的框架一直被人們所熟知，最近它剛剛進化到 2.10 版。在開發者大會上，Google 介紹了開源機器學習生态體系 Tensor Projects 的概念。

機器學習是一個利用已知數據來訓練推理模型的過程，經過訓練的模型可以在前所未見的數據上作出有效預測，完成從圖像識别、語音到自然語言處理等多種任務。打造領先的機器學習框架的過程正是為了做到這一點。谷歌希望通過 TensorFlow 框架提供的能力，為世界帶來更多啟發和靈感。

在 2016 年，谷歌開源了 TensorFlow，那時的業界情況和目前大不相同——當時真正稱得上掌握機器學習技術的人大約隻有幾千人，而今天這個數字已經增長到了上百萬，未來還會更多。

在 Tensor Projects 的用戶中，既有專注于科技領域的，也有把機器學習作為輔助工具攻克其他領域研究的，不過在很多情況下，這些受衆都有相似的需求。随着機器學習人才數量的增加，開發工具也需要向前發展。

「在 2021 年全球有 2430 萬名軟件開發者，這一數字在 2030 年預計将達到 4500 萬人，」谷歌 TensorFlow 技術推廣工程師魏巍說道。「其中大多數人并不會以機器學習為全職工作，大約有 1/4 會在開發過程中使用機器學習，一部分核心工作包括訓練、部署和管理機器學習模型。他們會打造出很多現在無法想象的實用功能，比如在手機上給照片智能抹除不想要内容的功能。」

機器學習也在不斷發展，前沿的研究最近又為我們帶來了 AlphaFold 等重大突破。為了促進這些目标，這些年谷歌一直在緻力于打造機器學習框架、庫、基礎設施、反例和教程，也掌握了從零開始打造機器學習應用的豐富經驗。

如今，TensorFlow 技術本身已經包含數據、建模、部署到維護的全流程，在這之下還有專用的加速基礎設施可以優化整個生命周期，實現了從業餘愛好者到研究人員都适用的免費開源産品生态。

Tensor Projects 作為谷歌機器學習的生态，其中包含了不同的技術産品。例如，在構建模型的時候，Keras 可以幫你用簡潔的方法構建模型，它被認為是更适用于初學者的開發工具。Google 表示，現在人們使用 TensorFlow Light Model Maker 可以解決創造移動端模型時面臨的很多複雜任務。

「制作 App 或網站時你需要集成模型，我們打造了 task 庫幫助人們使用模型。Model Maker 和 Task 庫目前都已經支持端側大規模近鄰搜索，可以在幾毫秒内在百萬數據中找出近似的圖片、文字或音頻，所有的一切都可以發生在手機上。」魏巍表示。

JAX 是 Google Research 團隊開發的高性能機器學習庫，擁有和 NumPy 相似的 API 接口，并使用 XLA 編譯器來進行模型加速。很多研究者對其寄予厚望，希望它可以取代 TensorFlow 成為新一代流行深度學習框架。

在谷歌，JAX 被定義為前沿研究使用的機器學習框架，TensorFlow 則是應用時使用的框架。據介紹，DeepMind 就曾使用 JAX 開發了 AlphaFold 來解決蛋白質折疊問題，從而精準預測蛋白質結構。

JAX 針對谷歌的基礎設施專門優化了數學計算，目前這套基礎設施已經開放給了所有開發者使用。開發者們可以在 TensorFlow 上簡單修改幾行代碼，即可接入谷歌 TPU 的算力。

Google 也發展了算法部署的工具。如今在模型部署時，你可以使用 TensorFlow Extended （TFX）把模型部署到所有位置：從雲端到網頁服務器、浏覽器、嵌入式系統等等。但與此同時，我們需要修複 bug，處理新的數據，保證模型輸出負責任的結果。TensorFlow Extended （TFX）讓模型的持續訓練成為了可能：它可以幫助你更深入地理解模型性能，你可以用 TFX 訓練多端模型，随時接入 Colab。

最近一段時間，人們對于可信機器學習重視程度越來越高，當你打造負責任的機器學習模型時，模型卡片可以提供透明度，現在 TFX 也可以自動生成模型卡片了。

TFX 上一個受歡迎的組件是 TensorFlow Serving，它可以幫助把模型部署到服務器上，然後遠程調用。谷歌最近已經發布了四個新的 Learning Pathways，幫助大家學習如何從安卓、Flutter、Web 端來調用 TensorFlow 的接口，完成模型推理。

谷歌也發布了兩個新的 Colab 來幫助開發者學習 TensorFlow Recommenders 和 TensorFlow Agents 來打造基于機器學習的全棧跨平台 App，

目前，TensorFlow Lite 運行庫已經被集成進 Google Play Service，這意味着用戶可以一直使用最新版本的 TensorFlow Lite。很多應用目前已經在使用 Google Service 中的 TensorFlow Lite，每個月有超過 4 億用戶，完成 200 億次推理。

Google 也在幫助更多開發者，降低機器學習的應用門檻。

谷歌提出了 MediaPipe，希望能為開發者提供高度可定制化的設備端機器學習解決方案。其技術已在 Google Meet 在線會議的背景模糊，Nest 的人員移動檢測、包裹遞送通知、收拾識别，YouTube 的虛拟試妝等功能上得到了應用。支持多模型，多硬件加速，跨平台的機器學習任務。

在大會現場，Google 向我們展示了 MediaPipe 在骨骼綁定、動作和手勢識别等計算機視覺任務上的能力，隻需本地 GPU 和攝像頭，算法就可以實時探測出面前人們的各種動作。

MediaPipe 将複雜的機器學習流水線都封裝成為 Task，方便開發者用最簡單的方式定制模型。在未來，設備端機器學習技術的調用将簡化到僅需幾行代碼，甚至無需代碼。谷歌下一步的計劃，是把 MediaPipe 從視覺拓展到語音識别和自然語言處理領域。

在機器學習社區裡，谷歌的官方機器學習教程一直被受到歡迎，繼推出《TensorFlow 入門實操課程》後，TensorFlow 團隊最近攜手網易有道在 Mooc 平台上面向對部署領域感興趣的開發者推出了專題課程：《 TensorFlow 入門課程 - 部署篇 》，同時也推出了中文版的《開發者在線課程》。

Google 提供的工具為人們提供了豐富的選擇，不論科研還是生産，在做下個機器學習項目時，你肯定還會先試一下用 TensorFlow 該怎麼做。

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部