https://blog.tensorflowcn.cn/2018/03/highlights-from-tensorflow-developer-summit-2018.html
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEitqaFjISllEzFNoO7VVhHI_z7EYFMmhXtLKYLVW1OE_7NSGqE9fwvGebGK45wsRR92nqPUJKTxQ5yu9tZS2J3JAW7Kka-oIWi09NCGaegqDTQBgX0YRzTSBFi4-X-UBG8lsqLqOJ6pS4Y/s1600/tfdevsummit.png
TensorFlow 产品经理 Sandeep Gupta（https://twitter.com/thesandeepgupta）代表 TensorFlow 团队发布
今天，我们在加州山景城的计算机历史博物馆举办了第二届
TensorFlow 开发者峰会！该活动聚集了来自世界各地的 500 多名 TensorFlow 用户，以及通过直播观看峰会的数千名观众。这一天充满了新的产品发布，以及来自 TensorFlow 团队和客座演讲者的技术演讲。
机器学习正在解决影响全世界每个人的挑战性问题。我们认为不可能或过于复杂而无法解决的问题现在可以通过这项技术来解决。使用 TensorFlow，我们在许多不同领域已经看到了巨大的进步。例如
- 天体物理学家正在使用 TensorFlow 分析来自开普勒任务的大量数据，以 发现新的行星。
- 医学研究人员正在使用 TensorFlow 中的机器学习技术来评估一个人的 心脏病和中风的心血管风险。
- 空中交通管制员正在使用 TensorFlow 来 预测飞机在拥挤空域的航线，以确保安全高效的着陆。
- 工程师们正在使用 TensorFlow 分析雨林中的听觉数据，以 检测伐木卡车和其他非法活动。
- 非洲的科学家们正在使用 TensorFlow 检测木薯植物的疾病，以提高农民的产量。
我们很高兴看到 TensorFlow 的这些惊人用途，并致力于让更多开发者可以使用它。这就是我们很高兴宣布 TensorFlow 的新更新，这些更新将有助于改善开发者体验的原因！
我们正在让 TensorFlow 更易于使用
研究人员和开发者想要一种更简单的方法来使用 TensorFlow。我们正在为 Python 开发者集成一个更直观的编程模型，称为
渴望执行，它消除了计算图的构造和执行之间的区别。您可以使用渴望执行进行开发，然后使用相同的代码生成等效的图，以便使用 Estimator 高级 API 进行大规模训练。我们还宣布了一种新的方法，用于
在单台机器上的多个 GPU 上运行 Estimator 模型。这使得开发者能够以最少的代码更改快速扩展他们的模型。
随着机器学习模型变得越来越丰富和复杂，我们希望让开发者更容易地共享、重用和调试它们。为了帮助开发者共享和重用模型，我们宣布了
TensorFlow Hub，这是一个用于促进模块（自包含的 TensorFlow 图块）发布和发现的库，这些模块可以在类似的任务中重复使用。模块包含已在大型数据集上预先训练的权重，并且可以重新训练并在您自己的应用程序中使用。通过重用模块，开发者可以使用更小的数据集训练模型，提高泛化能力，或者简单地加快训练速度。为了让调试模型更容易，我们还发布了一个新的交互式
图形调试器插件，作为 TensorBoard 可视化工具的一部分，它可以帮助您实时地检查和逐步执行计算图的内部节点。
模型训练只是机器学习过程的一部分，开发者需要一个端到端的解决方案来构建现实世界的机器学习系统。为此，我们宣布了 TensorFlow Extended (TFX) 的路线图，并发布了 TensorFlow Model Analysis，这是一个开源库，它结合了 TensorFlow 和 Apache Beam 的强大功能来计算和可视化评估指标。迄今为止发布的 TFX 组件（包括
TensorFlow Model Analysis、
TensorFlow Transform、
Estimators 和
TensorFlow Serving）都很好地集成在一起，可以让开发者在生产环境中准备数据、训练、验证和部署 TensorFlow 模型。
TensorFlow 支持更多语言和平台
除了让 TensorFlow 更易于使用之外，我们还宣布开发者可以使用新的语言来使用 TensorFlow。
TensorFlow.js 是一个面向 JavaScript 开发者的全新机器学习框架。使用 TensorFlow.js 在浏览器中进行机器学习开辟了令人兴奋的新可能性，包括交互式机器学习和对所有数据保留在客户端的场景的支持。它可以用来完全在浏览器中构建和训练模块，以及导入离线训练的 TensorFlow 和 Keras 模型以进行推理，并使用 WebGL 加速。
Emoji Scavenger Hunt 游戏 是使用 TensorFlow.js 构建的应用程序的一个有趣示例。
模型训练只是机器学习过程的一部分，开发者需要一个端到端的解决方案来构建现实世界的机器学习系统。为此，我们宣布了 TensorFlow Extended (TFX) 的路线图，并发布了 TensorFlow Model Analysis，这是一个开源库，它结合了 TensorFlow 和 Apache Beam 的强大功能来计算和可视化评估指标。迄今为止发布的 TFX 组件（包括
TensorFlow Model Analysis、
TensorFlow Transform、
Estimators 和
TensorFlow Serving）都很好地集成在一起，可以让开发者在生产环境中准备数据、训练、验证和部署 TensorFlow 模型。我们还有一些激动人心的消息要告诉 Swift 程序员：
Swift 版 TensorFlow 将于今年 4 月开源。Swift 版 TensorFlow 不是 TensorFlow 的典型语言绑定。它集成了头等编译器和语言支持，提供了渴望执行的可使用性以及图的全部功能。该项目仍在开发中，很快将有更多更新！
我们还分享了
TensorFlow Lite 的最新更新，TensorFlow Lite 是 TensorFlow 的轻量级跨平台解决方案，用于在移动设备和其他边缘设备上部署训练好的机器学习模型。除了现有的 Android 和 iOS 支持之外，我们还宣布了对 Raspberry Pi 的支持、对操作/模型（包括自定义操作）的支持增加，以及开发者如何轻松地在自己的应用程序中使用 TensorFlow Lite。TensorFlow Lite 核心解释器现在的尺寸仅为 75KB（而 TensorFlow 为 1.1 MB），与 TensorFlow 相比，我们在 TensorFlow Lite 上运行量化图像分类模型时，速度提高了 3 倍。
在硬件支持方面，TensorFlow 现在与 NVIDIA 的
TensorRT 集成。TensorRT 是一个优化深度学习模型以进行推理并为生产环境中的 GPU 部署创建运行时的库。它为 TensorFlow 带来了许多优化，并自动选择特定于平台的内核，以最大限度地提高吞吐量并在 GPU 上进行推理时将延迟降至最低。
对于在 CPU 上运行 TensorFlow 的用户，我们与英特尔的合作带来了
与高度优化的 Intel MKL-DNN 集成，这是一个针对深度学习的开源库。在使用 Intel MKL-DNN 时，我们在各种英特尔 CPU 平台上观察到了高达 3 倍的推理加速。
运行 TensorFlow 的平台列表已扩展到包括 Cloud TPU，该平台于
上个月发布了测试版。Google Cloud TPU 团队自推出以来已经实现了 ResNet-50 性能的 1.6 倍性能提升。这些改进将很快在 1.8 版本中提供给 TensorFlow 用户。
使用 TensorFlow 启用新的应用程序和领域
许多数据分析问题是使用统计和概率方法解决的。除了深度学习和神经网络模型之外，TensorFlow 现在通过
TensorFlow Probability API 提供了用于贝叶斯分析的最先进方法。该库包含概率分布、采样方法以及新的指标和损失等构建块。许多其他经典机器学习方法也得到了更大的支持。例如，可以使用
预制高级类 轻松地训练和部署提升决策树。
机器学习和 TensorFlow 已经帮助解决了许多不同领域的挑战性问题。我们看到 TensorFlow 会在基因组学领域产生重大影响的另一个领域，这就是我们发布
Nucleus 的原因，Nucleus 是一个用于读取、写入和过滤通用基因组文件格式以在 TensorFlow 中使用的库。这与
DeepVariant（一种基于 TensorFlow 的开源工具，用于基因组变异发现）一起，将有助于推动基因组学领域的新研究和进步。
扩展社区资源和参与
这些 TensorFlow 更新旨在惠及并壮大用户和贡献者社区——数千人共同努力，使 TensorFlow 成为世界上最受欢迎的机器学习框架之一。为了继续与社区互动并及时了解 TensorFlow 的最新动态，我们推出了新的官方
TensorFlow 博客 和
TensorFlow YouTube 频道。
我们还通过推出
新的邮件列表 和
特别兴趣小组 来方便社区成员进行协作，这些邮件列表和特别兴趣小组旨在支持特定项目的开源工作。要了解如何加入社区，请访问
TensorFlow 社区 页面，并且像往常一样，您可以在
Twitter 上关注 TensorFlow 以获取最新消息。
我们非常感谢过去两年来所有帮助 TensorFlow 成为成功机器学习框架的人。感谢您的出席，感谢您的观看，并记得使用 #MadeWithTensorFlow 来分享您如何使用机器学习和 TensorFlow 解决有影响力和具有挑战性的问题！
