由 TensorFlow 团队发布

非常感谢所有参加我们首届虚拟 ML 社区日的人！能够将社区聚集在一起，听到精彩的演讲，比如 JAX 和 TPU 如何使 DeepMind 团队的 AlphaFold 成为可能，以及 Edge Impulse 如何让开发人员轻松使用 TensorFlow 处理 TinyML，这真是太棒了。

我们还庆祝了 TensorFlow 的 6 岁生日！TensorFlow 生态系统在 6 年中取得了长足的进步，我们很高兴看到大家使用我们的工具取得的成就。从使用机器学习来帮助推进对 人权信息 的获取，到创建定制的 基于 TensorFlow 的鼓臂。

本文介绍了我们在活动中分享的一些更新和主题。您可以在下方观看主题演讲，您可以在 TensorFlow YouTube 频道 上找到所有演讲的录音。

模型构建

TensorFlow 2.7 已经发布！此版本提供性能和可用性改进，包括 TFLite 使用 XNNPack 用于移动推理性能提升、GPU 上的训练改进以及 Keras 和 TF 中调试效率的显着提升。

Keras 已作为 TensorFlow 之上的独立 pip 包进行模块化（默认情况下安装），现在位于独立的 GitHub 存储库 中。这将使社区更轻松地为 Keras 的开发做出贡献。我们欢迎您的 PR！

负责任的 AI

负责任的 AI 团队还宣布了 我们语言可解释性工具 (LIT) 的 v0.4。LIT 是一个用于 NLP 模型可视化和理解的开源平台。此新版本包括新的可解释性技术，例如 TCAV，即目标概念激活向量。TCAV 是一种针对 ML 模型的可解释性方法，它显示了高层概念对预测类别的重要性。

移动设备

我们最近推出了 TensorFlow Lite 中的设备上训练。当将 TensorFlow Lite 机器学习模型部署到移动应用程序时，您可能希望使模型能够根据设备或最终用户的输入进行改进或个性化。使用设备上训练技术，您可以更新模型而无需数据离开用户的设备，从而提高用户隐私，并且无需用户更新设备软件。目前在 Android 上可用。

我们一直在努力提高 TensorFlow Lite 的性能。如上所述，XNNPACK（一个用于加速浮点运算的库）现在在 TensorFlow Lite 中默认启用。这使您的模型在 CPU 上的运行速度平均提高 2.3 倍。

在此处查找所有演讲

您可以在此 播放列表 中找到所有内容，为了您的方便，这里还提供了每个会话的直接链接

• 使用 Google 设备上 ML 简化机器学习管理 MLOps 并使用新改进的 TFX 将 ML 部署到生产环境
• 使用负责任的 AI 工具包构建公平、合乎道德和负责任的 AI
• JAX 简介：加速机器学习研究
• 使用 tf.distribute 参数服务器简化分布式训练
• Cloud TPU v4：快速、灵活且易于使用
• 使用深度强化学习进行芯片楼层规划
• 如何参与机器学习