Google kündigt die offizielle Version von TensorFlow an: Open Source Machine Learning

Am 16. Februar veröffentlichte Google plötzlich eine Ankündigung auf seinem offiziellen WeChat-Konto „Google Blackboard“: Der erste TensorFlow Developer Summit fand in Mountain View, Kalifornien, USA, statt und TensorFlow 1.0 wurde offiziell veröffentlicht.

Über TensorFlow haben wir bereits 2015 berichtet. Am 9. November 2015, Ortszeit in den USA (10. November, Peking-Zeit), gab Google Research die Einführung des Open Source-Maschinenlernsystems TensorFlow der zweiten Generation bekannt.

TensorFlow ist seit vielen Jahren das interne maschinelle Lernsystem von Google. Sein Vorgänger war das 2011 gegründete interne Machine-Learning-Projekt DistBelief.

Auf die Frage, warum TensorFlow eingeführt und als Open Source veröffentlicht wurde, erklärte Google damals: „Es sollte ein echtes Tool geben, mit dem Forscher ihre verrückten Ideen ausprobieren können. Wenn diese Ideen funktionieren, können sie direkt in Produkte umgesetzt werden, ohne dass die Forscher den Code neu schreiben müssen.“

TensorFlow ist flexibel, portabel, benutzerfreundlich und vollständig Open Source, sodass es jeder kostenlos verwenden kann.

Welche Verbesserungen gibt es im neuen TensorFlow 1.0?

In Bezug auf die oben genannten Funktionen sagte Google, dass das neue TensorFlow 1.0, das dieses Mal eingeführt wurde, im Vergleich zu den vorhandenen Versionen die folgenden wesentlichen Verbesserungen aufweist:

Schneller: Das TensorFlow-Team wird Updates für mehrere Modelle veröffentlichen, um zu zeigen, wie Sie das Beste aus TensorFlow 1.0 herausholen. Zur Beschreibung wurde die Formulierung „schneller als man es sich vorstellen kann“ verwendet.

Flexibler: TensorFlow 1.0 führt eine High-Level-API mit mehr Modulen für TensorFlow ein. Gleichzeitig hat das TensorFlow-Team die Einführung des Moduls tf.keras angekündigt, das vollständig mit Keras (einer anderen hochrangigen Bibliothek für neuronale Netzwerke) kompatibel ist.

Immer bereit: TensorFlow 1.0 gewährleistet die Stabilität der Python-API. Python erleichtert das Erhalten neuer Funktionen, ohne den vorhandenen Code zu beschädigen.

Darüber hinaus bietet TensorFlow 1.0 folgende Highlights:

1) Die Python-API wurde angepasst, um NumPy ähnlicher zu sein;

2) Experimentelle APIs für Java und Go;

3) Nach dem Zusammenführen von skflow und TF Slim wurden die High-Level-API-Module von tf.contrib.learn übertragen: tf.layers, tf.metrics und tf.losses;

4) Eine experimentelle Version von XLA (domänenspezifischer Compiler für TensorFlow-Graphen) wurde für CPUs veröffentlicht. XLA entwickelt sich schnell, erwarten Sie also weitere Fortschritte in zukünftigen Versionen;

5) Einführung des TensorFlow-Debuggers, einer Befehlszeilenschnittstelle und Anwendungsprogrammierschnittstelle zum Ausführen von TensorFlow-Programmen;

6) Demonstration eines neuen Systems zur Objekterkennung und -lokalisierung sowie Stilisierung von Kamerabildern;

7) Installationsverbesserungen: Fügen Sie ein Docker-Image für Python 3 hinzu und machen Sie das Pip-Paket mit PyPI kompatibel. Jetzt können Sie TensorFlow installieren, indem Sie einfach „pip install tensorflow“ aufrufen.

Google sagte, dass das TensorFlow-Ökosystem durch die Verwendung dynamischer Batching-Technologien wie Fold, Webtools wie Embedding Projector und die Aktualisierung vorhandener Tools wie TensorFlow Serving weiter wachsen werde.

Was sind einige praktische Anwendungen von TensorFlow?

TensorFlow feierte am 10. November letzten Jahres (Peking-Zeit) seinen ersten Geburtstag. Innerhalb so kurzer Zeit wurde es zum Framework mit den meisten geforkten Repositories auf GitHub.

Auch an diesem Tag hat Google einen Streich gespielt:

Australiens gefährdete Seekühe auf der Spur

Mithilfe der neuesten Bilderkennungstechnologie von TensorFlow haben Forscher es Computern ermöglicht, „zu lernen“, Seekühe auf riesigen Luftaufnahmen mit einer Geschwindigkeit zu identifizieren, die die des Menschen bei weitem übertrifft, und mit einer Genauigkeit, die 1,4-mal höher ist als die des bloßen Auges.

Gurken sortieren und lagern

Ein Gemüsebauer in Japan nutzte TensorFlow, um ein automatisiertes Sortier- und Lagersystem für seine riesige Gurkenernte zu bauen. Nachdem die Bilder automatisch aufgenommen wurden, werden sie von TensorFlow automatisch in bis zu neun verschiedene Qualitätsstufen sortiert.

Google Neuronale maschinelle Übersetzung.

TensorFlow und Tensor Processing Units (TPUs) sind Hardwarebeschleuniger, die speziell für das Google Neural Machine Translation (GNMT)-Modell entwickelt wurden. Dieses reduziert Übersetzungsfehler um 55 % bis 85 %, indem es ganze Sätze als Ganzes verarbeitet, anstatt Wörter und Phrasen einzeln zu übersetzen. Ein sehr Google-artiger Ansatz.

Darüber hinaus wird berichtet, dass TensorFlow mittlerweile in mehr Bereichen eingesetzt wird, unter anderem zur Unterstützung bei der Diagnose des Parkinson-Syndroms, zur Zugpositionierung, zum Komponieren von Musik usw.

In einem 100-seitigen Bericht lobte Goldman Sachs den Wert von TensorFlow in den höchsten Tönen: „Durch die Förderung der KI-Integration hat die Open-Source-Anwendung TensorFlow einen Präzedenzfall für andere Cloud-Plattformen und Forschungsgemeinschaften geschaffen, die Unternehmensressourcen nutzen. Gleichzeitig nutzt Google seine eigenen Vorteile, wie beispielsweise TPU, um die Open-Source-Welt voll auszuschöpfen und sich so einen Wettbewerbsvorteil zu verschaffen, obwohl seine Bibliothek für maschinelles Lernen Open Source ist.“

Erst am 31. Januar hat Google TensorFlow 1.0.0-rc0 veröffentlicht, mit dem Machine-Learning-Anwendungen auf Hardware auf Smartphone-Niveau ausgeführt werden können.

Jetzt liegt endlich die offizielle Version vor. Kurz gesagt: Google hat die Vorzüge von Open Source bereits kennengelernt.

Als Gewinner des Qingyun-Plans von Toutiao und des Bai+-Plans von Baijiahao, des Baidu-Digitalautors des Jahres 2019, des beliebtesten Autors von Baijiahao im Technologiebereich, des Sogou-Autors für Technologie und Kultur 2019 und des einflussreichsten Schöpfers des Baijiahao-Vierteljahrs 2021 hat er viele Auszeichnungen gewonnen, darunter den Sohu Best Industry Media Person 2013, den dritten Platz beim China New Media Entrepreneurship Competition Beijing 2015, den Guangmang Experience Award 2015, den dritten Platz im Finale des China New Media Entrepreneurship Competition 2015 und den Baidu Dynamic Annual Powerful Celebrity 2018.