北京時間 3 月 31 日，我們在加利福尼亞州山景城的計算機歷史博物館舉辦第二屆 TensorFlow 開發者峰會。本屆峰會吸引了超過 500 名 TensorFlow 使用者親臨現場，數萬名來自世界各國的觀眾觀看了本次峰會的直播。活動當天 TensorFlow 團隊和邀請嘉賓舉行了多場技術講座，並且釋出了多款新產品。 

機器學習正在被用來解決挑戰性問題，這影響了全世界所有人。我們原以為不可能解決或太複雜的問題現在可以用這項技術來解決，TensorFlow 在許多不同的領域都取得了巨大的進步。例如：

• 天體物理學家使用 TensorFlow 分析開普勒任務中的大量資料，以發現新的行星。

• 醫學研究人員利用 TensorFlow 機器學習技術來評估一個人心臟病發作和中風的機率。

• 空中交通管制員用它來預測飛機最有可能行經的路線，以確保飛機安全著陸。

• 工程師使用 TensorFlow 分析熱帶雨林中的聲音資料，以檢測伐木車和其他非法活動。

• 科學家在非洲用 TensorFlow 檢測木薯植物疾病，從而提高產量並幫助更好地滿足非洲大陸的糧食需求。

我們欣喜於看到 TensorFlow 的這些驚人用途，並致力於讓更多的開發者有機會使用 TensorFlow。因此，我們很高興地釋出以下這些能夠提升開發者體驗的更新：

我們讓 TensorFlow 更易於使用

研究人員和開發者都希望簡化 TensorFlow 的使用方法。 我們引入了 eager execution，對於 Python 開發者來說，這是一種更直觀的程式設計模型，它消除了構建和執行計算圖 (computational graph) 之間的界線。用 eager execution 開發，很容易便能用相同的程式碼生成等價的計算圖和估算器 (Estimator) 高階 API，進行大規模訓練。我們正在努力使這裡面的轉換過程在未來變得更加順暢。

我們還發布了一種新的更簡單的模型，用於在單臺機器上的多個 GPU 上執行估算器 (Estimator) 。您可以以最少的程式碼改動獲得最大的效能提升。

隨著機器學習模型變得越來越複雜，我們希望讓開發者更容易除錯和共享它們。我們還推出了 TensorFlow Hub，旨在促進模型的可重複使用部分的釋出、發現和使用。這些模組是一塊塊獨立的 TensorFlow 計算圖，可以在不同的任務中重複使用。它們包含了已在大型資料集上預先訓練好的變數，並且可以用一個較小的資料集進行再訓練，來提高泛化能力，或是加速訓練。

另外，我們釋出了一個新的互動式圖形化除錯外掛，作為 TensorBoard 視覺化工具的一部分，它可以幫助您使用豐富的互動式環境實時檢查並瀏覽計算圖的內部節點。

模型訓練只是機器學習過程的一部分，開發者需要一種端對端地構建真實世界機器學習系統的解決方案。為此，我們宣佈推出 TensorFlow Extended (TFX)，這是一個機器學習平臺，可讓開發者準備資料、訓練、驗證並把訓練好的模型快速部署在生產環境提供可用的服務。

TensorFlow 可用於更多語言和平臺

除了使 TensorFlow 更易於使用之外，我們也很高興地宣佈，開發者可以在一些新的語言中使用 TensorFlow 了。 TensorFlow.js 是給 JavaScript 開發者的一個新的機器學習框架，它可以完全在瀏覽器裡定義和訓練模型，還可以匯入離線訓練的 TensorFlow 和 Keras 模型進行預測，並可以對 WebGL 實現無縫支援。 

在瀏覽器中使用 TensorFlow.js 進行機器學習為我們開啟了令人興奮的新的可能性，包括互動式的機器學習，還有一些所有資料都儲存在客戶端的使用場景。例如， Emoji 尋寶遊戲就是使用 TensorFlow.js 構建的應用程式。

對於 Swift 開發者來說，我們也有一些令人興奮的訊息要公佈：TensorFlow for Swift 將在這個 4 月開源，目前是個初期階段的開源專案，敬請期待未來更多的更新。 

我們非常興奮能夠分享一些關於 TensorFlow Lite 平臺的最新進展。它是 TensorFlow 跨平臺、輕量級的解決方案，來把訓練好的機器學習模型部署到手機和其它終端。除了現有的對 Android 和 iOS 的支援外，我們還增加了對 Raspberry Pi 系統的支援，並由演示了開發者如何在自己的應用程式中輕鬆使用 TensorFlow Lite。

開發者可以利用 TensorFlow Lite 中的“自定義操作”來輕鬆連線進自己的操作。另外，還有一些令人興奮的資料要分享：TensorFlow Lite 的核心直譯器大小僅為 75KB（對於 TensorFlow 1.1 MB），對比 TensorFlow，當執行一些量化模型時，TensorFlow Lite 速度提升高達 3 倍。

對於硬體的支援，TensorFlow 現在與 NVIDIA 的 TensorRT 整合。TensorRT 是一個庫，用於優化深度學習模型以進行預測，併為生產環境建立部署在 GPU 上的執行環境。它為 TensorFlow 帶來了許多優化，並自動選擇特定平臺的核心以最大化吞吐量，並最大限度地減少 GPU 預測期間的延遲。

執行 TensorFlow 的平臺還包括 Cloud TPUs，上月我們釋出了其 Beta 版本。Cloud TPUs 可加速各種機器學習模型，比如進行影象分類、目標檢測、機器翻譯、語音識別、語言建模等。您可以快速地從一些高質量的開原始碼開始，因為這些程式碼經過持續地針對準確性和效能的測試，而且有豐富的文件。

在新的應用和領域使用TensorFlow

運用統計和概率方法可以解決許多資料分析問題，除了深度學習和神經網路模型之外，TensorFlow 現在還通過 TensorFlow Probability API 提供最先進的貝葉斯分析方法。 該庫由概率分佈、取樣方法、新的指標和損失函式等模組構成。對許多經典機器學習方法也增加了支援。比如，可以用現成的高階類庫，輕鬆地訓練和部署 boosted decision trees。

機器學習和 TensorFlow 開始施展拳腳的另一個領域是基因組學。我們釋出了Nucleus，這是一個在 TensorFlow 中用於讀取、寫入和過濾通用基因組檔案格式的庫，它將與 DeepVariant（一個基於 TensorFlow 開放原始碼的基因組變體探測工具）共同推動基因組學的全新研究進展。

拓展社群資源與參與

這些 TensorFlow 的進展，目的是讓使用者和貢獻者這個社群受益，並且變得更加壯大，正是這成千上萬的人共同推動 TensorFlow 成為了全球最火的機器學習框架之一。為了繼續與社群合作並與 TensorFlow 保持同步，我們建立了 TensorFlow 的官方部落格和 YouTube 頻道。

我們還專門為支援特定專案的開源工作設計了全新的郵件列表以及特殊興趣小組，便於更輕鬆地開展開源專案的合作。如果想了解如何參與其中，請訪問 TensorFlow 社群頁面：

https://tensorflow.google.cn/community

我們非常感謝在過去的兩年中每一個幫助 TensorFlow 成為一個成功的機器學習框架的人們。感謝您的參與，也感謝您的觀看！

特別感謝 TensorFlow GDE 江駿對本文的翻譯和校對！

Be a Tensorflower