TensorFlow 团队发布

我们已经开始规划 TensorFlow 的未来！ 在这篇文章中，我们想分享我们的愿景。

我们于 2015 年 11 月 9 日开源了 TensorFlow，至今已近七年。从那时起，得益于数千名开源贡献者和我们全球范围内令人难以置信的 Google 开发者专家、社区组织者、研究人员和教育工作者社区，TensorFlow 已成为其类别的定义。

如今，TensorFlow 是使用最广泛的机器学习平台，已被数百万开发者采用。它是 GitHub 上第三受欢迎的软件库（仅次于 Vue 和 React），也是 PyPI 上下载量最大的机器学习软件包。它将机器学习带入了移动生态系统：TFLite 现在运行在 40 亿台设备上（可能也运行在您的设备上！）。TensorFlow 还将机器学习带入了 Web：TensorFlow.js 现在每周下载 17 万次。

在 Google 的产品阵容中，TensorFlow 为几乎所有生产机器学习提供支持，包括搜索、Gmail、YouTube、地图、Play、广告、照片等等。在 Google 之外，在其他 Alphabet 公司中，TensorFlow 和 Keras 使 Waymo 的自动驾驶汽车能够实现机器智能。

在更广泛的行业中，TensorFlow 为数千家公司的机器学习系统提供支持，包括全球最大的机器学习用户 - 苹果、字节跳动、Netflix、腾讯、Twitter 等等。在研究领域，每月，Google 学术搜索都会索引超过 3,000 篇提到 TensorFlow 或 Keras 的新科学出版物。

如今，我们的用户群和开发者生态系统比以往任何时候都大，并且还在不断增长！

我们看到 TensorFlow 的增长不仅是值得庆祝的成就，也是一个进一步发展并为机器学习社区提供更多价值的机会。

我们的目标是提供地球上最好的机器学习平台。软件将成为每个开发人员工具箱中的新超级力量。软件将使机器学习从一个利基工艺转变为像 web 开发一样成熟的行业。

为了实现这一目标，我们倾听用户的需求，预测新的行业趋势，迭代我们的 API，并努力让您更轻松地进行大规模创新。正如 TensorFlow 最初帮助深度学习兴起一样，我们希望通过为您提供能够突破可能性的平台来继续促进机器学习的演变。机器学习正在迅速发展，TensorFlow 也是如此。

今天，我们很高兴地宣布，我们已经开始着手开发 TensorFlow 的下一个迭代，它将开启机器学习开发的下一个十年。我们在 TensorFlow 的领先能力基础上构建，并专注于四个支柱。

TensorFlow 的四个支柱

快速且可扩展

• XLA 编译。 我们专注于 XLA 编译，旨在使大多数模型训练和推理工作流程在 GPU 和 CPU 上更快，并借鉴 XLA 在 TPU 上的性能优势。我们希望 XLA 成为行业标准的深度学习编译器，并且已将其作为 OpenXLA 计划 的一部分开源合作。
• 分布式计算。 我们正在投资于 DTensor，这是一个用于大规模模型并行的全新 API。DTensor 解锁了超大型模型训练和部署的未来，并允许您像在单个设备上训练一样开发您的模型，即使使用多个客户端也是如此。DTensor 将与 tf.distribute API 统一，允许灵活的模型和数据并行。
• 性能优化。 除了编译之外，我们还进一步投资于算法性能优化技术，例如混合精度和低精度计算，这些技术可以在 GPU 和 TPU 上实现相当大的加速。

应用机器学习

• 用于 CV 和 NLP 的新工具。 我们正在投资于我们的应用机器学习生态系统，特别是通过 KerasCV 和 KerasNLP 软件包，它们提供用于应用 CV 和 NLP 用例的模块化和可组合组件，包括大量最先进的预训练模型。
• 生产级解决方案。 我们正在扩展 TF 模型花园 (GitHub) 以涵盖广泛的机器学习任务和领域。模型花园提供端到端的生产级建模解决方案。它有许多针对计算机视觉和自然语言处理 (NLP) 的可重复的规范最先进 (SOTA) 模型实现。它还提供了一个训练代码库，允许您使用这些模型快速运行机器学习实验，并导出到标准 TF 服务格式。
• 开发者资源。 我们正在添加更多代码示例、指南和文档，以用于流行和新兴的应用机器学习用例。我们的目标是越来越降低机器学习的入门门槛，并将其转变为每个开发人员手中的工具。

准备部署

• 更轻松的导出。 我们正在让您更轻松地导出到移动设备（Android 或 iOS）、边缘（微控制器）、服务器后端或 JavaScript。将您的模型导出到 TFLite 和 TF.js 并优化其推理性能将变得像调用 `model.export()` 一样简单。
• 用于应用程序的 C++ API。 我们正在开发一个面向公共 TF2 C++ API，用于作为 C++ 应用程序一部分的本机服务器端推理。
• 部署 JAX 模型。 我们让您更轻松地使用 JAX 开发的模型与 TensorFlow Serving 进行部署，以及通过 TensorFlow Lite 和 TensorFlow.js 部署到移动设备和 Web。

简易性

• NumPy API。 在过去几年里，随着机器学习领域的扩展，TensorFlow 的 API 表面也随之增加，并非总是以一致或易于理解的方式进行。我们正在积极努力整合和简化这些 API。例如，我们将采用 NumPy API 标准 来进行数值计算。
• 更轻松的调试。 框架不仅仅是它的 API 表面，还包括它的调试体验。我们的目标是通过专注于更好的调试功能来最大限度地减少开发任何应用机器学习系统的解决时间。

TensorFlow 的未来将 100% 向后兼容

我们希望 TensorFlow 能够作为机器学习行业构建的基础。我们认为 API 稳定性是我们最重要的特性。作为依赖 TensorFlow 作为其产品一部分的工程师，作为 TensorFlow 生态系统软件包的构建者，您应该能够升级到最新的 TensorFlow 版本并立即开始从其新特性和性能改进中受益 - 无需担心您现有的代码库可能会损坏。因此，我们承诺从 TensorFlow 2 到下一个版本完全向后兼容 - 您的 TensorFlow 2 代码将照常运行。将没有转换脚本需要运行，没有手动更改需要应用。

时间线

我们计划在 2023 年第二季度发布新 TensorFlow 功能的预览版，并将在今年晚些时候发布生产版本。在此期间，我们将定期发布进度更新。您可以通过 TensorFlow 博客 和 TensorFlow YouTube 频道 关注我们的进度。

欢迎您的反馈

我们想听取您的意见！如果您有任何问题或反馈，请通过 TensorFlow 论坛 与我们联系。