由 TensorFlow 团队发布

随着 Google I/O 的举行，我们在 tensorflow.org 上发布了许多令人兴奋的新文档，包括对模型并行性和模型修复的更新、TensorFlow Lite 和 TensorFlow 模型花园。让我们看看你可以了解哪些新东西！

反事实 Logit 配对

负责任的 AI 团队在他们的 模型修复 库中添加了一种新的模型修复技术。TensorFlow 模型修复库提供训练时技术来干预模型，例如通过引入或改变模型目标来改变模型本身。最初，模型修复推出了它的第一项技术，MinDiff，它最小化了两个数据切片之间性能的差异。

I/O 中的新功能是 反事实 Logit 配对 (CLP)。这是一种旨在确保模型的预测在示例中引用的敏感属性被移除或替换时不会改变的技术。例如，在毒性分类器中，诸如“我是一个男人”和“我是一个女同性恋”之类的示例应该是相等的，并且不应被归类为有毒。

查看 基本教程、Keras 教程 和 API 参考。

模型并行性：DTensor

DTensor 提供了一个全局编程模型，允许开发人员在全局范围内操作张量，同时管理跨设备的分布。DTensor 根据分片指令通过称为单程序，多数据 (SPMD) 扩展的过程来分配程序和张量。

通过将整体应用程序与分片指令分离，DTensor 能够在单个设备、多个设备甚至多个客户端上运行相同的应用程序，同时保留其全局语义。如果你还记得 TF1 中的 Mesh TensorFlow，那么 DTensor 可以解决 Mesh 解决的相同问题：训练可能大于单个内核的模型。

在 TensorFlow 2.9 中，我们将 DTensor（一直在 nightly 版本中）在 tensorflow.org 上公开。尽管 DTensor 处于实验阶段，但欢迎你尝试使用它。查看 DTensor 指南、DTensor Keras 教程 和 API 参考。

TensorFlow Lite 中的新功能

我们对 TensorFlow Lite 网站进行了一些重大更改，包括对入门文档进行更改。

开发人员旅程

首先，我们现在按平台（Android、iOS 和其他边缘设备）组织开发人员旅程，以便更轻松地开始使用你的平台。Android 获得了新的 学习路线图 和 快速入门。我们之前还添加了针对 Google Play 服务中的 TensorFlow Lite 的新测试版指南。这些快速入门包括 Kotlin 和 Java 中的示例，并将我们的示例代码升级到 CameraX，正如我们的 Android 开发者关系同事所建议的那样！

如果你想立即运行 Android 示例，现在可以直接从 Android Studio 中导入。在启动新项目时，选择：新项目 > 导入示例... 并查找 人工智能 > Google Play 服务中的 TensorFlow Lite 图像分类示例应用程序。此示例可以帮助你找到你的马克杯……或其他物体

模型制造商

TensorFlow Lite 模型制造商 库简化了使用自定义数据集训练 TensorFlow Lite 模型的过程。它使用迁移学习来减少所需的训练数据量并减少训练时间，并且预先构建了七个常见任务，包括图像分类、目标检测和文本搜索。

我们为 文本搜索 添加了一个新的教程。这种类型的模型使你能够使用文本查询并搜索文本数据集中最相关的条目，例如网页数据库。在移动设备上，你可能会将其用于自动回复或语义文档搜索。

我们还发布了完整的 Python 库参考。

TF Lite 模型页面

找到适合你的用例的模型有时会令人困惑。我们已经编写了 更多指南，介绍如何为你的任务选择合适的模型以及在做出决定时要考虑什么。你也可以找到指向常见用例模型的链接。

模型花园：随时可用的最先进模型

TensorFlow 模型花园 提供了针对视觉和自然语言处理 (NLP) 的许多最先进机器学习 (ML) 模型的实现，以及工作流程工具，使你能够快速配置和运行这些模型在标准数据集上。模型花园涵盖了视觉和文本任务，以及一个名为 Orbit 的灵活训练循环库。模型附带了预构建的配置，用于训练到最先进水平，以及许多有用的专门操作。

我们才刚刚开始记录你可以在模型花园中做所有伟大的事情。你的第一个停留站应该是 概述、可用模型列表 和 图像分类教程。

其他令人兴奋的事情！

不要错过棘冠海星探测器！在来自大堡礁的真实图像中找到你自己的棘冠海星。查看 视频，阅读 博客文章，并 在 Colab 中自己尝试该模型。

此外，还有一个关于 TensorFlow 压缩 的新教程，它使用神经网络进行有损压缩。此示例使用类似于自动编码器的工具来压缩和解压缩 MNIST。

当然，不要错过所有你可以 在 YouTube 上观看的精彩 I/O 演讲。谢谢！