我们将 TensorFlow 开源到 Github 膳绫擎后，以前两年鼓起了很多环绕 TensorFlow 活泼的开源社区，如今我们有 67,000 多个 star ，有 17,000 多个 Github 项目名字傍边包含 TensorFlow. TensorFlow 赓续涌如今各类大年夜学课程和在线课程琅绫擎，很多大年夜学也正在开辟基于 TensorFlow 的课程，除此之外我们也宣布了 TensorFlow 中文网站，大年夜家把它可以当做入门 TensorFlow 的初级教程，叫做 https://tensorflow.google.cn.

New Feature of TensorFlow

如今我们看一下 TensorFlow 的最新特点。起首是 Eager Execution ，Eager Execution 是一种新的编程模式，我在之前一张幻灯片中展示了一个基于 TensorFlow 的静态图。

Eager Execution 解决了静态图一一些问题，解决了什愦问题呢?起首它可以少写很多代码，就像上图一样。其次，经由过程 Eager Execution 写代码可以急速发明它的缺点，相对之前来说可以大年夜大年夜进步编写代码查错的效力。第三是可以用 Tensor 来编写控制流，就不须要用 TF 来做轮回甚至做断定。最重要一点是如不雅用其他说话编写这张图的话，再把这图传到 TensorFlow 核心中相当于编写了别的一种代码。看到这个幻灯片就是简单的例子，充分辩了 Eager Execution 的简单之处。

本年的 Google I/O 大年夜会宣布了第二代 TPU，我们第二代 TPU 既可以做推理也可以作练习。一个 TPU 可以实现很高的词典运算。我们甚至可以把很多代 TPU 结合起来成为一个就像超等计算机一样的计算核心。在第二代 TPU 的赞助下，我们可以在 20 小时内全部练习出 RESNET-50 的模型，以前如不雅只做一个 TPU 的练习，可能要花一周的时光来练习这个模型。今天第二代 TPU 即将宣布到 Google Cloud，并且推出供大年夜家应用。

下面讲一下 TensorFlow 上层 API，除了神经收集练习速度，大年夜家还存眷若何加倍便利实现用 TensorFlow 上层 API 来创建神经收集。Keras 是个一一个 API ，它支撑很多的后端。信赖很多不雅众都用过 Keras ，大年夜本质上来讲 Keras 加倍像一种 API 开辟规范。TensorFlow 有一个 TF 就是 Keras ，然则它只是 API 规范实现的一种方法，应用的是一个自定义 TensorFlow 后端，有了这个后端，我们可以让 Keras 与 Estimators 或者 Secving 整合起来，如许会对分布式供给更好的支撑。

同机会械进修也可以用在主动驾驶偏向，可以让交通加倍安然和高效。

如不雅你们习惯于 Keras 的接口的话，我们供给了一个上层 API 转换的对象 ，叫做 model_to_estimator ，一旦你有一个编译好的 Keras 模型就可声调用这个 model_to_estimator 来获取一个 Estimator，大年夜而将 Keras 转换成了 Estimator。

Estimator 还供给了分布式练习的接口，如不雅你用 TensorFlow 来做分布式练习的话，你就可能熟悉我们的分布式模式。我们的 Estimator 很好地供给了对分布式练习的支撑，只要写一份单机的代码，它就可以帮你构建好在不合机械上的履行的法度榜样，练习的法度榜样只要调用 Estimator.train 就能完成这一履行过程，只要调用它的 Estimator.evaluate ，全部集群就可以开端练习了。

大年夜家可以看一下这些 API 的文档：TF, KERAS, TFLAYERS 等等，我们还宣布了一个改进过的法度榜样员指南在官网上，欲望大年夜家去看一下。

下一?特点是 TensorFlow Lite ，TensorFlow Lite 是跑在移动设毕喔赡 TensorFlow 的一个子集。如今移动设备无处不在，并且越来越重要。在移动设备上，我们可以在野外断定这个狗是什么品种或者断定这个植物有没有病害，应用人工智能都可以在移动设备做一些应用，所以我们推出了 TensorFlow Lite.

为什么很多时刻要在移动设备上做?除了刚才说的那些应用处景，为什么要做移动设备的推理?这是因为我们时常须要在一些间谍作况下做一系列的推理，很多时刻，尤其在野外，我们的收集带宽异常的低，收集延迟异常大年夜。如不雅每次推理都向长途办事器发送请求，那对移动设备的电池才能请求很高。固然如今市情上对移动设备可以或许完成推理有急切的需求，然则个中存在很多的挑衅，最重要的挑衅是因为移动设备的内存、计算资本以及带宽等等受到了限制。大年夜编程角度来讲，因为平台克制性很高，开辟越来越复杂，比如说袈溱安卓上，我们可以应用 CPU 或者指令等方法编写底层代码，在 IOS 上又有本身一些平台和对象，这种不合平台的对象让我们的硬件以及 API 的开辟，甚至存在不合的 API 让我们的开辟变得更复杂，所以我们设计了 TensorFlow Lite.

　　推荐阅读

　　如何使用Scikit-learn实现用于机器学习的文本数据准备

在应用文本数据来搭建猜测模型前，都须要特别的预备工作。下面是一个应用上述的词条化对象对文档进行编码的示例，该文档中含有一个词汇表中的词，以及一个不在词汇表中的词。文本起重要经>>>详细阅读

本文标题：Google Brain工程师演讲实录：TensorFlow与深度学习

地址：http://www.17bianji.com/lsqh/38464.html

 1/2    1