雷锋网 AI 科技评论按：3 月 7 日凌晨，谷歌 TensorFlow 开发者峰会（TensorFlow Dev Summit 2019）在美国加州举行。自今年 1 月份谷歌放出 TensorFlow 2.0 开发者预览版，开发者们如今终于迎来了万众期待的 TensorFlow 2.0 Alpha 版的正式发布。也许是为了呼应谷歌此前将 TensorFlow 2.0 称作重要的「里程碑」，TensorFlow 的 Logo 也从过去的三维积木状变成了扁平化风格的「T」和「F」字母拼接。
除了发布 TensorFlow 2.0 Alpha 版，谷歌在本次大会上还发布了「一箩筐」围绕 TensorFlow 的其他软件的更新和最新成果，包括：经过更新的 TensorFlow Lite 1.0、TensorFlow js 1.0 和 Swift for TensorFlow 0.2 ，端到端的机器学习平台 TensorFlow Extended (TFX) 以及两款面向隐私问题的 TensorFlow Federated 开源框架和 TensorFlow Privacy 开源库。
另外值得一提的是，随着 TensorFlow 2.0 Alpha 版的到来，谷歌还发布了两门深度学习课程：Udacity 的《TensorFlow 深度学习简介》和 Deeplearning.ai 的《TensorFlow：从基础知识到掌握专业化》系列课程。
今年 1 月份，谷歌就放出 TensorFlow 2.0 开发者预览版，引起了开发者们的满腔期待。而不到两个月后随之而来的 TensorFlow 开发者峰会，其最受关注的环节莫过于 TensorFlow 2.0 Alpha 版的发布。
据悉，针对 TensorFlow 2.0，TensorFlow 团队听取了开发者关于「简化 API、减少冗余并改进文档和示例」的建议来进行设计，将 TensorFlow 2.0 Alpha 版的更新重点放在简单和易用性上，主要进行了以下更新：
使用 Keras 和 eager execution，轻松建立简单的模型并执行
在任何平台上的实现生产环境的模型部署
为研究提供强大的实验工具
通过清除不推荐使用的 API 和减少重复来简化 API
同时，在过去的几年中，谷歌陆续在 TensorFlow 中添加了许多组件，而 TensorFlow 2.0 Alpha 版中则将这些组件将打包成了一个综合性平台，支持从训练到部署的机器学习工作流，其新架构的简化概念图如下所示：
而更简单化的新框架更是带来了更加简洁的工作流，即：先使用 tf.data 创建的输入管道读取训练数据；然后使用 tf.keras 或 Premade Estimators 构建、训练和验证模型；接着用 eager execution 进行运行和调试；再使用 Distribution Strategy API 在不更改模型定义的情况下，基于 CPU、GPU 等不同硬件配置上分布和训练模型；最后将模型导出到 SavedModel 保存。其工作流如下图所示：
此外，TensorFlow 2.0 Alpha 版还带来了一些新的功能，允许研究人员和高级用户使用丰富的扩展进行实验，如 Ragged Tensors、TensorFlow Probability、Tensor2Tensor 等。
为了简化代码迁移到 TensorFlow 2.0 的过程，谷歌还提供一个转换工具和指导文档用来更新 TensorFlow 1.x Python 代码以使用与 TensorFlow 2.0 兼容的 API，并将无法自动转换的代码标记出来。
在 API 方面的更新也是 TensorFlow 2.0 Alpha 版的一大亮点，其将 Keras API 指定为构建和训练深度学习模型的高级 API，并舍弃掉其他 API。另外值得一提的是，Keras 提供了几个模型构建 API，例如可以利用 Sequential API 构建模型，然后使用「compile」和「fit」，tensorflow.org 中所有常见的」tf.keras」示例均可在 2.0 中便捷使用。
TensorFlow 2.0 Alpha 版的另一个最明显的改变就是将用于机器学习的实验和研究平台——Eager execution 设置为默认优先模式，这就意味着任何运算在调用后就会立即运行，从而不再需要预先定义静态图，就可以通过「tf.Session.run()」执行图的各个部分，让执行过程变得更加简单和快捷。
此外，Eager execution 还有助于原型制作、调试和监控运行中的代码，用户可使用 Python 调试程序检查变量、层及梯度等对象，并利用装饰器「@tf.function」中内置的 Autograph 直接获取图表优化和效率，这整个过程不仅能够保留 TensorFlow1.x 基于静态计算图执行的所有优点：性能优化、远程执行，以及序列化、导出和部署的能力，同时还增加了用简单 Python 表达程序的灵活性和易用性。
整体而言，TensorFlow 2.0 Alpha 版具有以下三大特性：
第一，易用性，其主要体现在使用 tf.keras 作为高级 API，且将 Eager execution 作为默认模式。
第二，简洁性，其主要体现在 TensorFlow 2.0 Alpha 版删除了重复的功能，并且不同 API 的调用语法也变得一致、直观，同时它的兼容性更加完善。
第三，灵活性，其主要体现在 TensorFlow 2.0 Alpha 版提供了完整的低级 API，并可以在 tf.raw_ops 中访问内部操作，同时还提供了变量、checkpoint 以及层的可继承接口。
开发者峰会上，TensorFlow 工程总监 Rajat Monga 也向大家呈现了 TensorFlow 这几年来的「战绩」：自 2015 年 11 月推出以来，TensorFlow 总下载量超过 4100 万次，提交了 5 万多次代码更新，目前已有 1800 多名来自全世界的贡献者。
而随着更加顺从民意、使用更加简单的 TensorFlow 2.0 Alpha 版的发布，TensorFlow 又将收获怎样的成绩呢？大家可以拭目以待。
TensorFlow 2.0 Alpha 版官方网址：https://www.tensorflow.org/alpha
TensorFlow 2.0 Alpha 版开源地址：https://github.com/orgs/tensorflow/projects/4
注：针对不同级别的开发者，TensorFlow 2.0 Alpha 版设置了两版教程：
初学者版：使用的是 Keras Sequential API，这是最简单的 TensorFlow 2.0 入门方法。
资深人士版：展示如何命令式地编写正向传递、如何使用 GradientTape 编写自定义训练循环，以及如何使用 tf.function 一行代码自动编译代码。
伴随着 TensorFlow 2.0 Alpha 版的发布，谷歌还特别应景地一同发布了配套的深度学习课程：Deeplearning.ai 的《TensorFlow：从入门到精通》（「TensorFlow: From Basics to Mastery Specialization」）和优达学城的《TensorFlow 深度学习简介》（「Intro to TensorFlow for Deep Learning」）。
《TensorFlow：从入门到精通》是 Deeplearning.ai 的一系列实践课程，由吴恩达老师参与开发并执教，目的在于帮助大家了解：
如何在 TensorFlow 中构建机器学习模型
利用深度神经网络和卷积神经网络构建图像识别算法了解
如何在移动设备和网络上部署模型
学习图像识别以外的物体检测、文本识别等，进入等
扩展针对自定义学习/训练的基本 API
除了吴恩达老师，该课程的另一重量级教师为 Laurence Moroney 博士。
该课程分四周进行，课程安排为：
第一周：介绍一种新的变成范式
第二周：计算机视觉简介
第三周：利用卷积神经网络增强计算机视觉
第四周：利用真实世界的图像
课程链接地址：https://www.deeplearning.ai/tensorflow-specialization/
《TensorFlow 深度学习简介》则是优达学城的免费课程，它自 2016 年推出以来，目前已有超过 40 万名学生参加，而今天则正式成为 Deeplearning.ai TensorFlow 系列课程的一部分。该课程从实践的角度讲解了软件深度学习知识，以及在移动设备、云端和浏览器上实际运行 TensorFlow 模型，让学生掌握创建 AI 应用所需的所有技能。
该课程目前已经更新了 4 堂课，分别为：第一堂课：课程大纲介绍；第二堂课：机器学习简介；第三堂课：训练 MNIST 模型；第四堂课：CNN 简介。目前，该 4 堂课已全部上线，而第 5 堂课则还未更新。
课程链接地址：https://www.udacity.com/course/intro-to-tensorflow-for-deep-learning--ud187
正式发布 TensorFlow.js 1.0 、TensorFlow Lite 1.0
实际上，除了 TensorFlow 2.0 Alpha 版，本次峰会的另一亮点便是正式发布 TensorFlow.js 1.0 和 TensorFlow Lite 1.0 了。
自 2018 年发布以来，TensorFlow.js 被大量采用，目前其下载量达 30 万次，Github 星标数量超过 1 万，项目贡献者超过 100 个。本次正式发布的 TensorFlow.js 1.0 版本，在先前版本的基础上进行的更新包括：增加了一个针对 Web 开发人员的面向图像、文本、语音等常见机器学习任务的现成模型库；添加了运行 JS 的更多平台，例如桌面 app、移动端本地的平台等。另外，该版本在性能上有了较大的提升。
作为一个面向移动和嵌入式设备打造的轻量级、跨平台解决方案，TensorFlow Lite 主要解决的问题是：机器学习在手机、汽车、可穿戴设备等终端设备上面临着有限的计算力、内存以及电池容量等诸多限制。
自 2017 年 5 月的谷歌 I/O 开发者大会被首次提出以来，TensorFlow Lite 目前已部署到超 20 亿移动设备中，并已应用到谷歌搜索、谷歌助手、Pixel Visual Core 等诸多原生谷歌应用和服务、以及谷歌合作伙伴的产品中。TensorFlow Lite 对于谷歌的重要性不言而喻，本次正式发布 TensorFlow Lite 1.0 可谓是众望所归。
TensorFlow.js 1.0 版本开源地址：https://github.com/tensorflow/tfjs/releases
为 TensorFlow 家族再添两位新成员
另外，谷歌还为 TensorFlow 家族再添了两位新成员：TensorFlow Federated（TFF）开源框架和 TensorFlow Privacy 机器学习开源库。
TensorFlow Federated（TFF）是一个开源框架，适用于面向分散式数据执行机器学习和其他计算。它采用一种联合学习（Federated Learning，FL）的机器学习方法，可在多个客户端上训练共享的全局模型，同时在本地保存训练数据。
TensorFlow Privacy 则是一个 TensorFlow 机器学习开源库，能够让开发人员更容易培训具有强大隐私保障的 AI 模型。谷歌表示，计划将 TensorFlow Privacy 发展成为培训机器学习模型的最佳技术中心，并提供强大的隐私保障。
TensorFlow Federated 开源地址：https://github.com/tensorflow/federated
TensorFlow Privacy 开源地址：https://github.com/tensorflow/privacy
对 2019 年度 TensorFlow 开发者峰会感兴趣的同学，可前往峰会官网：https://www.tensorflow.org/dev-summit 回看视频并查看相关信息。雷锋网雷锋网
正在生成分享图...
吴彤