Google hat TensorFlow nicht aufgegeben und wird 2023 eine neue Version veröffentlichen, die die vier Säulen verdeutlicht

Im Jahr 2015 startete Google Brain ein Forschungsprojekt namens „TensorFlow“. Dieses Produkt wurde schnell populär und wurde zum Mainstream-Deep-Learning-Framework in der Branche der künstlichen Intelligenz und prägte das moderne Ökosystem für maschinelles Lernen. Seitdem haben Tausende von Open-Source-Mitwirkenden und zahlreiche Entwickler, Community-Organisatoren, Forscher und Pädagogen gleichermaßen in diese Open-Source-Softwarebibliothek investiert.

Sieben Jahre später nimmt die Geschichte jedoch eine ganz andere Richtung: Googles TensorFlow hat die Unterstützung der Entwickler verloren. Weil TensorFlow-Benutzer begonnen haben, sich PyTorch zuzuwenden, einem weiteren von Meta eingeführten Framework.

Viele Entwickler glauben, dass TensorFlow diesen Krieg verloren hat und vergleichen es mit: „PyTorch hat TensorFlows Mittagessen gefressen.“

Im Schatten von PyTorch entwickelt Google stillschweigend ein Framework für maschinelles Lernen, das JAX (früher). ist das Akronym für „Just After eXecution“, steht aber offiziell für nichts mehr) und wird von vielen als Nachfolger von TensorFlow angesehen.

Eine Zeit lang war allgemein bekannt, dass Google TensorFlow aufgeben und vollständig auf JAX umsteigen würde. Tatsächlich hat Google TensorFlow nicht aufgegeben. Sie sagten, dass sich TensorFlow in Zukunft parallel zu JAX entwickeln wird.

Aber in diesen kurzen sieben Jahren hat TensorFlow bereits hervorragende Leistungen erbracht und sich mit Millionen von Benutzern zur am häufigsten verwendeten Plattform für maschinelles Lernen entwickelt. TensorFlow wird mittlerweile über 18 Millionen Mal pro Monat heruntergeladen und hat 166.000 Sterne auf GitHub gesammelt – mehr als jedes andere ML-Framework.

Darüber hinaus erleichtert TensorFlow maschinelles Lernen im mobilen Ökosystem: TFLite läuft derzeit auf etwa 4 Milliarden Geräten, einschließlich Ihrem. TensorFlow hat auch maschinelles Lernen ins Web gebracht, wobei TensorFlow.js inzwischen mehr als 170.000 Mal pro Woche heruntergeladen wird.

In der gesamten Produktpalette von Google unterstützt TensorFlow nahezu das gesamte maschinelle Lernen, einschließlich Suche, GMail, YouTube, Karten, Play, Anzeigen, Fotos und mehr. Neben Google stellt TensorFlow, eine Tochtergesellschaft von Alphabet, zusammen mit Keras neue maschinelle Intelligenz für selbstfahrende Autos von Waymo bereit.

In der breiteren Branche unterstützt TensorFlow maschinelle Lernsysteme für Tausende von Unternehmen, darunter Apple, ByteDance, Netflix, Tencent, Twitter und mehr. Forschungsgebiete: TensorFlow wird jeden Monat in mehr als 3.000 Veröffentlichungen auf Google Scholar erwähnt, darunter wichtige angewandte wissenschaftliche Forschung, wie die CANDLE-Studie zum Verständnis von Krebs.

Es ist keine Übertreibung zu sagen, dass TensorFlow über mehr grundlegende Benutzer und ein Entwickler-Ökosystem verfügt als je zuvor, und es wächst immer noch. Google ist davon überzeugt, dass die Entwicklung von TensorFlow nicht nur eine Errungenschaft ist, die es wert ist, gefeiert zu werden, sondern dass sie der Community für maschinelles Lernen auch neue Möglichkeiten bietet, noch weiter zu gehen.

Das langjährige Ziel von Google besteht darin, die beste Plattform für maschinelles Lernen bereitzustellen und danach zu streben, maschinelles Lernen von einem Nischenhandwerk in ausgereifte Branchensoftware wie die Webentwicklung zu verwandeln.

Die Entwicklung von TensorFlow durch Google wird fortgesetzt. Nach 7 Jahren werden es weitere 7 Jahre sein.

Die vier zukünftigen Säulen von TensorFlow

Kürzlich gab Google bekannt, dass sie mit der Entwicklung der nächsten Iteration von TensorFlow begonnen haben und sich auf die vier Säulen konzentrieren. Genauer gesagt plant Google, im zweiten Quartal 2023 eine neue Vorschauversion von TensorFlow zu veröffentlichen, gefolgt von einer Produktionsversion später.

Schnell und skalierbar

Zuerst kommt die XLA-Kompilierung. Google konzentriert sich auf die XLA-Kompilierung, um Trainings- und Inferenzmodelle auf GPUs und CPUs schneller zu machen, und setzt sich dafür ein, XLA zum branchenüblichen Deep-Learning-Compiler zu machen. Im Rahmen der OpenXLA-Initiative hat Google es für die Open-Source-Zusammenarbeit geöffnet.

Das zweite ist verteiltes Rechnen. Google konzentriert sich auf DTensor, eine neue API für groß angelegte Modellparallelität. DTensor wird mit der tf.distribute-API vereinheitlicht, was eine flexible Modell- und Datenparallelität ermöglicht.

Das Letzte ist die Leistungsoptimierung. Zusätzlich zur Kompilierung konzentriert sich Google weiterhin auf algorithmische Leistungsoptimierungen wie Berechnungen mit gemischter und reduzierter Genauigkeit, um erhebliche Beschleunigungen auf GPUs und TPUs zu ermöglichen.

Angewandtes ML

Neue Tools für Lebenslauf und NLP. Google investiert in das Applied ML-Ökosystem, insbesondere durch die KerasCV- und Keras NLP-Pakete, um modulare und zusammensetzbare Komponenten für eine Vielzahl von Anwendungsfällen bereitzustellen.

Entwicklerressourcen. Google fügt weitere Codebeispiele, Anleitungen und Dokumentationen für beliebte und neue Anwendungsfälle des angewandten maschinellen Lernens hinzu, wodurch die Eintrittsbarriere für Entwickler gesenkt und jedes Entwicklungstool leicht verfügbar gemacht wird.

Bereitstellungsebene

ist einfacher zu exportieren. Google wird den Export von Modellen auf mobile Geräte (Android oder iOS), Edge-Geräte (Mikrocontroller), Server-Backends oder JavaScript erleichtern. Benutzer können Modelle nach TFLite und TF.js exportieren und die Leistung der Modellinferenz so einfach optimieren, wie sie model.export() aufrufen.

C++-API für Anwendungen. Google entwickelt eine öffentliche TF2-C++-API für native serverseitige Inferenz als Teil von C++-Anwendungen.

JAX-Modelle bereitstellen. Google erleichtert die Bereitstellung von Modellen mit TensorFlow-Diensten.

Vereinfachte

NumPy-API. Der ML-Bereich ist in den letzten Jahren schnell gewachsen und mit ihm sind auch die APIs von TensorFlow gewachsen. Um sich an die technologische Entwicklung anzupassen, integriert und vereinfacht Google APIs vollständig.

Erleichtern Sie das Debuggen. Im Bereich ML ist Debugging eine Technologie, die nicht ignoriert werden darf. Google wird sich auf bessere Debugging-Funktionen konzentrieren, um den Zeitaufwand zu minimieren.

Google sagt, dass TensorFlow in Zukunft zu 100 % abwärtskompatibel sein wird. Google hofft, dass TensorFlow zum Eckpfeiler der Branche des maschinellen Lernens wird und verspricht, dass TensorFlow von TensorFlow 2 bis zur nächsten Version vollständig abwärtskompatibel sein wird und der Code unverändert ausgeführt werden kann, ohne dass Konvertierungsskripte ausgeführt werden müssen und keine manuellen Änderungen erforderlich sind . Google investiert weiterhin in das TensorFlow-Framework, um Forschung und Anwendungen für Millionen von Nutzern voranzutreiben.

Das obige ist der detaillierte Inhalt vonGoogle hat TensorFlow nicht aufgegeben und wird 2023 eine neue Version veröffentlichen, die die vier Säulen verdeutlicht. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!