Google n'a pas abandonné TensorFlow et sortira une nouvelle version en 2023, clarifiant les quatre piliers

En 2015, Google Brain a lancé un projet de recherche appelé « TensorFlow ». Ce produit est rapidement devenu populaire et est devenu le cadre d'apprentissage profond dominant dans l'industrie de l'intelligence artificielle, façonnant l'écosystème moderne d'apprentissage automatique. Depuis lors, des milliers de contributeurs open source et de nombreux développeurs, organisateurs de communautés, chercheurs et éducateurs ont investi dans cette bibliothèque de logiciels open source.

Cependant, sept ans plus tard, l’histoire a pris une toute autre direction : TensorFlow de Google a perdu le soutien des développeurs. Car les utilisateurs de TensorFlow ont commencé à se tourner vers PyTorch, un autre framework lancé par Meta.

De nombreux développeurs pensent que TensorFlow a perdu cette guerre et l'ont comparé à : "PyTorch a mangé le déjeuner de TensorFlow."

Dans l'ombre de PyTorch, Google développe tranquillement un framework d'apprentissage automatique. (être l'acronyme de "Just After eXecution", mais officiellement ne signifie plus rien), et beaucoup de gens le considèrent comme le successeur de TensorFlow.

Pendant un certain temps, il était largement connu que Google allait abandonner TensorFlow et passer entièrement à JAX. En fait, Google n'a pas abandonné TensorFlow. Ils ont déclaré que TensorFlow se développerait parallèlement à JAX à l'avenir.

Mais cela dit, au cours de ces sept courtes années, TensorFlow a déjà fonctionné avec brio et est devenu la plateforme d'apprentissage automatique la plus couramment utilisée, avec des millions d'utilisateurs. TensorFlow est désormais téléchargé plus de 18 millions de fois par mois et a accumulé 166 000 étoiles sur GitHub, soit plus que tout autre framework ML.

De plus, TensorFlow facilite l'apprentissage automatique sur l'écosystème mobile : TFLite fonctionne actuellement sur environ 4 milliards d'appareils, dont le vôtre. TensorFlow a également introduit l'apprentissage automatique sur le Web, TensorFlow.js étant désormais téléchargé plus de 170 000 fois par semaine.

Dans l'ensemble de la gamme de produits Google, TensorFlow alimente presque tout l'apprentissage automatique, y compris la recherche, GMail, YouTube, Maps, Play, Ads, Photos, et plus encore. Outre Google, TensorFlow, une filiale d'Alphabet, fournit avec Keras une nouvelle intelligence artificielle pour les voitures autonomes Waymo.

Dans l'ensemble du secteur, TensorFlow alimente les systèmes d'apprentissage automatique de milliers d'entreprises, notamment Apple, ByteDance, Netflix, Tencent, Twitter, etc. Domaines de recherche : TensorFlow est mentionné dans plus de 3 000 publications chaque mois sur Google Scholar, y compris d'importantes recherches scientifiques appliquées, comme l'étude CANDLE pour comprendre le cancer.

Il n'est pas exagéré de dire que TensorFlow compte plus d'utilisateurs de base et d'écosystème de développeurs que jamais, et il continue de croître. Google estime que le développement de TensorFlow n'est pas seulement une réussite qui mérite d'être célébrée, il offre également de nouvelles opportunités à la communauté du machine learning pour aller plus loin.

L'objectif de longue date de Google est de fournir la meilleure plate-forme d'apprentissage automatique et de s'efforcer de transformer l'apprentissage automatique d'un métier de niche en un logiciel industriel mature comme le développement Web.

Le développement de TensorFlow par Google se poursuivra Après 7 ans, il y aura encore 7 ans.

Les quatre futurs piliers de TensorFlow

Récemment, Google a annoncé avoir commencé à développer la prochaine itération de TensorFlow et se concentrer sur les quatre piliers. Plus précisément, Google prévoit de publier une nouvelle version préliminaire de TensorFlow au deuxième trimestre 2023, suivie d'une version de production plus tard.

Rapide et évolutif

Vient d'abord la compilation XLA. Google se concentre sur la compilation XLA pour rendre les modèles de formation et d'inférence plus rapides sur les GPU et les CPU, et s'engage à faire de XLA le compilateur d'apprentissage profond standard de l'industrie. Dans le cadre de l'initiative OpenXLA, Google l'a ouvert à la collaboration open source.

La seconde est l'informatique distribuée. Google se concentre sur DTensor, une nouvelle API pour le parallélisme de modèles à grande échelle. DTensor sera unifié avec l'API tf.distribute, permettant un parallélisme flexible des modèles et des données.

La dernière chose est l'optimisation des performances. En plus de la compilation, Google se concentre également sur l'optimisation des performances algorithmiques telles que les calculs à précision mixte et à précision réduite pour fournir des accélérations considérables sur les GPU et les TPU.

ML appliqué

Nouveaux outils pour le CV et la PNL. Google investit dans l'écosystème Applied ML, notamment via les packages KerasCV et Keras NLP pour fournir des composants modulaires et composables pour une variété de cas d'utilisation.

Ressources pour les développeurs. Google ajoute davantage d'exemples de code, de conseils et de documentation pour les cas d'utilisation d'apprentissage automatique appliqués populaires et émergents, réduisant ainsi la barrière à l'entrée pour les développeurs et rendant chaque outil de développement facilement disponible.

Le niveau de déploiement

est plus facile à exporter. Google facilitera l'exportation de modèles vers des appareils mobiles (Android ou iOS), des appareils de périphérie (microcontrôleurs), des backends de serveur ou JavaScript. Les utilisateurs peuvent exporter des modèles vers TFLite et TF.js et optimiser les performances d'inférence de modèle aussi facilement qu'en appelant model.export().

API C++ pour les applications. Google développe une API TF2 C++ publique pour l'inférence native côté serveur dans le cadre des applications C++.

Déployez des modèles JAX. Google facilite le déploiement de modèles avec les services TensorFlow.

Simplifié

API NumPy. Le domaine du ML s'est développé rapidement au cours des dernières années, et avec lui, les API de TensorFlow se sont développées. Afin de s'adapter à l'évolution de la technologie, Google intègre et simplifie pleinement les API.

Facilitez le débogage. Dans le domaine du ML, le débogage est une technologie incontournable. Google se concentrera sur de meilleures capacités de débogage pour minimiser son temps.

Google affirme que TensorFlow sera 100 % rétrocompatible à l'avenir. Google espère que TensorFlow deviendra la pierre angulaire de l'industrie de l'apprentissage automatique et promet que de TensorFlow 2 à la prochaine version, TensorFlow sera entièrement rétrocompatible et que le code s'exécutera tel quel, sans avoir besoin d'exécuter des scripts de conversion ni de modifications manuelles. . Google continue d'investir dans le framework TensorFlow pour piloter la recherche et les applications pour des millions d'utilisateurs.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!