一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會(huì)員中心
創(chuàng)作中心

完善資料讓更多小伙伴認(rèn)識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

TensorFlow:面向公眾的機(jī)器學(xué)習(xí)庫

DPVg_AI_era ? 來源:未知 ? 作者:李倩 ? 2018-11-12 10:31 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

TensorFlow今天3歲了。2015年的11月9日,谷歌開源TensorFlow,迅速成為最受歡迎的機(jī)器學(xué)習(xí)開源框架,構(gòu)建起龐大的開發(fā)者生態(tài)。一路走來,TensorFlow收獲眾多輝煌,也有批評,遭遇強(qiáng)手勁敵,目前仍舊穩(wěn)居處于開源框架王者之位。TensorFlow 2.0也已在研發(fā)中。謹(jǐn)以本文祝TensorFlow生日快樂,為TensorFlow發(fā)展做出貢獻(xiàn)的開發(fā)者也辛苦了!

TensorFlow今天3歲了!

作為全球最受歡迎的機(jī)器學(xué)習(xí)開源框架,TensorFlow 發(fā)展的3年見證了機(jī)器學(xué)習(xí)和人工智能領(lǐng)域的快速發(fā)展和變化,與人類的孩子一樣,不斷學(xué)習(xí),遭到批評,遇到對手,走向更大跟廣闊的環(huán)境。

接下來,新智元帶你簡單回顧過去3年TensorFlow 的發(fā)展,以及關(guān)于TensorFlow的一些你或許不知道的小知識。

TensorFlow:面向公眾的機(jī)器學(xué)習(xí)庫

TensorFlow其實(shí)是谷歌自豪的研究級機(jī)器學(xué)習(xí)基礎(chǔ)設(shè)施、第一代專有機(jī)器學(xué)習(xí)系統(tǒng)DistBelief 的繼承者,該系統(tǒng)負(fù)責(zé)DeepDream這一成就。

DeepDream生成的威廉王子一家畫像

2009年,Hinton領(lǐng)導(dǎo)的研究小組大大減少使用DistBelief的神經(jīng)網(wǎng)絡(luò)的錯(cuò)誤數(shù)量,通過Hinton在廣義反向傳播的科學(xué)突破。最值得注意的是,Hinton的突破直接使Google語音識別軟件中的錯(cuò)誤減少至少25%。

而后,谷歌指派計(jì)算機(jī)科學(xué)家,如Geoffrey Hinton和Jeff Dean,簡化和重構(gòu)DistBelief的代碼庫,使其變成一個(gè)更快、更健壯的應(yīng)用級別代碼庫,形成了TensorFlow。

TensorFlow的計(jì)算使用有狀態(tài)的數(shù)據(jù)流圖表示。TensorFlow的名字來源于神經(jīng)網(wǎng)絡(luò)對多維數(shù)組執(zhí)行的操作,這些多維數(shù)組被稱為張量。

通過將TensorFlow的代碼開源,谷歌為世界各地的公司和計(jì)算機(jī)科學(xué)家打開了在自己的產(chǎn)品和研究中實(shí)施尖端機(jī)器學(xué)習(xí)算法的大門。

初期爆發(fā)式發(fā)展被批壟斷生態(tài),用戶說放下TensorFlow立地成佛?

雖然在短時(shí)間內(nèi)迅速成長為Github最受歡迎的深度學(xué)習(xí)開源項(xiàng)目,并在全球范圍內(nèi)建立起了廣泛的開發(fā)者社區(qū),但一路走來,TensorFlow 也并非沒有遭遇批評和對手。

2016年6月,Jeff Dean稱在GitHub有1500個(gè)庫提到了TensorFlow,其中只有5個(gè)來自谷歌。截止2017年3月,TensorFlow 得到14000+次commit,超過5500標(biāo)題中出現(xiàn)過TensorFlow的Github project以及在Stack Overflow上有包括5000+個(gè)已被回答的問題,平均每周80+的issue提交。

初期爆發(fā)式的發(fā)展形成一家獨(dú)大的態(tài)勢,引起了業(yè)內(nèi)人士對TensorFlow 所構(gòu)成的潛在生態(tài)危害的擔(dān)憂,這種趨勢在2016年開始出現(xiàn),比如地平線創(chuàng)始人余凱博士曾在微信朋友圈呼吁:

算是一個(gè)鄭重的聲明吧:一直以來我非常欽佩谷歌的Jeff Dean在MapReduce和谷歌大腦(TensorFlow)等項(xiàng)目上的杰出成就。但是,我必須指出,放任TensorFlow成為世界上占統(tǒng)治地位的人工智能開發(fā)平臺對世界是危險(xiǎn)的。盡管這個(gè)平臺目前是開源的,但是隨著時(shí)間的推移,人工智能變得越來越強(qiáng)大,這個(gè)系統(tǒng)會(huì)變得極端復(fù)雜到失去透明性,而且會(huì)很可怕的變成全世界數(shù)據(jù),計(jì)算,硬件,編譯器等的標(biāo)準(zhǔn)制定者。這樣會(huì)導(dǎo)致一個(gè)不健康的生態(tài),阻礙年輕人掌握技術(shù)的自由,讓個(gè)人,公司甚至國家在人工智能領(lǐng)域的自主發(fā)展,最終被一家商業(yè)公司所控制。這不是危言聳聽??上КF(xiàn)在絕大部分人都還意識不到這點(diǎn)。尤其是在中國。我呼吁大家都來使用Caffe,Mxnet等更加開放中興的開源系統(tǒng),避免使用TensorFlow

后來,隨著 PyTorch、MXNet、PaddlePaddle 等新框架的出現(xiàn),開發(fā)者有了更多選擇,生態(tài)進(jìn)入良性競爭狀態(tài)后,這樣的擔(dān)憂也開始褪去。

其次是TensorFlow 本身使用性的問題。零星的“不好用”、“用不好”等抱怨之火,在2017 年下半年爆發(fā),引爆點(diǎn)是一篇題為 “TensorFlow Sucks”的博文,作者NicolasD.Jimenez 在肯定 TensorFlow 優(yōu)點(diǎn)的同時(shí),指出人們對 TensorFlow 有一種盲目崇拜,TensorFlow 缺乏靈活性,在設(shè)計(jì)思想和使用上不便于快速原型部署,而且相關(guān)的庫太過高級無法輕松使用。

Quora 上開始出現(xiàn)“放棄使用 TensorFlow”的聲音。在差不多的時(shí)間里,中國問答網(wǎng)站知乎上也出現(xiàn)了提問“TensorFlow 有哪些令人難以接受的地方?” 引發(fā)了眾多的關(guān)注和討論。正如問題描述中所說,“沒有工具是完美的,TensorFlow 亦然,現(xiàn)在是時(shí)候來吐槽一下了”。

針對開發(fā)者提出的主要問題,谷歌后來都做了改進(jìn),比如推出動(dòng)態(tài)圖模型,能夠保存和重用模型。

勁敵 PyTorch 出現(xiàn)

雖有 CNTK、Theano、MXNet、PaddlePaddle,如果說 TensorFlow 最強(qiáng)的對手,莫過于2017年 3月 Facebook 開源的 PyTorch,以靈活輕便等優(yōu)勢迅速贏得了一大批開發(fā)者,其中不乏從 TensorFlow 社區(qū)轉(zhuǎn)來的人。

今年5月,PyTorch 1.0 正式公開,新框架將 PyTorch 0.4與Caffe2合并,整合ONNX格式,讓開發(fā)者可以無縫地將AI模型從研究轉(zhuǎn)到生產(chǎn);今年 10月,F(xiàn)acebook召開了首屆 PyTorch開發(fā)者大會(huì),其社區(qū)發(fā)展大有超越TensorFlow 之勢。

根據(jù) Reddit上一位博主貼出的統(tǒng)計(jì),2018年至2019年,ICRL論文中所涉及到的主流框架工具TensorFlow、PyTorch和Keras的搜索結(jié)果數(shù),僅在一年時(shí)間內(nèi),PyTorch數(shù)據(jù)增長近3倍:

TensorFlow:228→266

Keras:42→56

PyTorch:87→252

更早一些,今年3月,手握 ArXiv Sanity 大數(shù)據(jù)、現(xiàn)在主管特斯拉人工智能部門的 Andrej Karpathy,也給出了精確的排名結(jié)果(過去一個(gè)月內(nèi))。

各個(gè)框架在論文中被提到(單次計(jì)算)的比例分別是:

TensorFlow 14.3%

PyTorch 4.7%

Keras 4.0%

Caffe 3.8%

Theano 2.3%

Torch 1.5%

MXNet、Chainer 和 CNTK 均小于 1%:

TensorFlow 2.0 要來了!

雖有種種問題,但TensorFlow 在機(jī)器學(xué)習(xí)開源框架中的王者地位是毋庸置疑的。

今年8 月,TensorFlow 2.0 預(yù)覽版即將發(fā)布的消息傳出,TensorFlow 開發(fā)者團(tuán)隊(duì)表示,為了適應(yīng)計(jì)算硬件、機(jī)器學(xué)習(xí)研究和商業(yè)部署這三年的快速發(fā)展,更好地滿足廣大用戶的需求,TensorFlow 2.0 已在研究之中。

用戶對TensorFlow 2.0的期望包括:

Eager execution應(yīng)當(dāng)是2.0的核心功能。它將用戶對編程模型的期望與TensorFlow更好地結(jié)合起來,并且應(yīng)該使TensorFlow更易于學(xué)習(xí)和應(yīng)用。

通過交換格式的標(biāo)準(zhǔn)化和API的一致性,支持更多平臺和語言,并改善這些組件之間的兼容性和奇偶性。

將刪除已棄用的API并減少重復(fù)數(shù)量,否則會(huì)給用戶造成混淆。

TensorFlow 三年發(fā)展里程碑

TensorFlow是谷歌大腦的第二代機(jī)器學(xué)習(xí)系統(tǒng)。

從0.8.0版本(發(fā)布于2016年4月)開始本地的支持分布式運(yùn)行。

從0.9.0版本(發(fā)布于2016年6月)開始支持iOS。

從0.12.0版本(發(fā)布于2016年12月)開始支持Windows系統(tǒng)。該移植代碼主要由微軟貢獻(xiàn)。

1.0.0版本發(fā)布于2017年2月11日。雖然參考實(shí)現(xiàn)運(yùn)行在單臺設(shè)備,TensorFlow可以運(yùn)行在多個(gè)CPUGPU(和可選的CUDA擴(kuò)展和圖形處理器通用計(jì)算的SYCL擴(kuò)展)。

2015年11月9日

宣布TensorFlow開源,根據(jù) Apache 2.0 許可并以開放源代碼軟件包的形式發(fā)布了 TensorFlow API 和一個(gè)參考實(shí)現(xiàn)。

2015年12月

發(fā)布v0.6,支持GPU,Python 3.3

2016年4月

發(fā)布v0.8,分布式TensorFlow

2016年11月

發(fā)布v0.11,支持Windows

2017年2月

在首屆TensorFlow開發(fā)者峰會(huì)上,正式發(fā)布TensorFlow 1.0。v1.0的性能得到改進(jìn),API變得穩(wěn)定。TensorFlow1.0主要改進(jìn)了機(jī)器學(xué)習(xí)功能,發(fā)布了XLA的實(shí)驗(yàn)版本,對Python和Java用戶開放,提升了debugging,并且加入和改進(jìn)了一些高級API,其中包括Keras。

2017年4月

發(fā)布v1.1,增加針對tf.keras的特性

2017年8月

發(fā)布v1.3,增加高級API,canned estimators,更多模型,原始TPU支持

2017年11月

發(fā)布v1.5,增加動(dòng)態(tài)圖機(jī)制Eager Execution 和用于移動(dòng)端的輕量級TensorFlow Lite版本

2018年3月

發(fā)布TF Hub, TensorFlow.js, 和TensorFlow Extended (TFX)

2018年5月

發(fā)布v1.6,增加支持Cloud TPU,模型和pipeline

2018年6月

發(fā)布v1.8,Distribution Strategy API, TensorFlow Probability

2018年8月

發(fā)布v1.10,整合Cloud Bigtable

2018年10月

發(fā)布v1.12,大量API改進(jìn),包括改進(jìn)XLA穩(wěn)定性和性能,改進(jìn)Keras模型支持

2019年

即將發(fā)布TensorFlow 2.0

結(jié)語

支持深度學(xué)習(xí)和機(jī)器學(xué)習(xí)研究的軟件生態(tài)系統(tǒng)一直在快速發(fā)展,開源軟件已經(jīng)是常態(tài);有各種各樣的框架可用,滿足從探索新想法到將它們部署到生產(chǎn)中的需求;而大型企業(yè)在激烈競爭中支持不同的軟件棧。

在眾多新工具涌現(xiàn)的同時(shí),也有功成名退的老將,比如Theano,但這些年來 Theano 開發(fā)者團(tuán)隊(duì)所提出的大多數(shù)創(chuàng)新,現(xiàn)在已經(jīng)被其他框架采用和完善。例如,將模型表達(dá)為數(shù)學(xué)表達(dá)式,重寫計(jì)算圖以獲得更好的性能和內(nèi)存使用,GPU上的透明執(zhí)行,更高階的自動(dòng)微分等,都成為了主流想法。

微軟和 Facebook 發(fā)起了開源人工智能項(xiàng)目ONNX(Open Neural Network Exchange),不久后亞馬遜AWS 也宣布加入并推出ONNX-MXNet 開源Python 軟件包。除了亞馬遜,AMD、ARM、華為、IBM、英特爾、高通都宣布將支持ONNX,形成強(qiáng)大的深度學(xué)習(xí)開源聯(lián)盟。

有人說控制了開源工具,就控制了整個(gè)生態(tài);但同時(shí),這些巨頭也在去中心化,打通全球數(shù)據(jù)連接。開放生態(tài)系統(tǒng)的基礎(chǔ),使 AI 更容易獲取并富有價(jià)值。開發(fā)人員可以為其任務(wù)選擇合適的框架,框架作者可以專注于創(chuàng)新,硬件供應(yīng)商可以簡化優(yōu)化流程。

感謝所有幫助開發(fā)這些工具,并通過貢獻(xiàn)bug報(bào)告、配置文件、用例、文檔和支持來改進(jìn)它們的人。

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點(diǎn)僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報(bào)投訴
  • 人工智能
    +關(guān)注

    關(guān)注

    1806

    文章

    48987

    瀏覽量

    249142
  • 機(jī)器學(xué)習(xí)

    關(guān)注

    66

    文章

    8501

    瀏覽量

    134553
  • tensorflow
    +關(guān)注

    關(guān)注

    13

    文章

    330

    瀏覽量

    61162

原文標(biāo)題:TensorFlow三歲了!

文章出處:【微信號:AI_era,微信公眾號:新智元】歡迎添加關(guān)注!文章轉(zhuǎn)載請注明出處。

收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點(diǎn)推薦

    NanoEdge AI Studio 面向STM32開發(fā)人員機(jī)器學(xué)習(xí)(ML)技術(shù)

    NanoEdge? AI Studio*(NanoEdgeAIStudio)是一種新型機(jī)器學(xué)習(xí)(ML)技術(shù),可以讓終端用戶輕松享有真正的創(chuàng)新成果。只需幾步,開發(fā)人員便可基于最少量的數(shù)據(jù)為其項(xiàng)目創(chuàng)建
    的頭像 發(fā)表于 04-22 11:09 ?571次閱讀
    NanoEdge AI Studio <b class='flag-5'>面向</b>STM32開發(fā)人員<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>(ML)技術(shù)

    面向AI與機(jī)器學(xué)習(xí)應(yīng)用的開發(fā)平臺 AMD/Xilinx Versal? AI Edge VEK280

    AMD/Xilinx Versal? AI Edge VEK280評估套件是一款面向AI與機(jī)器學(xué)習(xí)應(yīng)用的開發(fā)平臺,專為邊緣計(jì)算場景優(yōu)化設(shè)計(jì)。以下從核心配置、技術(shù)特性、應(yīng)用場景及開發(fā)支持等方面進(jìn)行詳細(xì)
    的頭像 發(fā)表于 04-11 18:33 ?1282次閱讀
    <b class='flag-5'>面向</b>AI與<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>應(yīng)用的開發(fā)平臺 AMD/Xilinx Versal? AI Edge VEK280

    用樹莓派搞深度學(xué)習(xí)?TensorFlow啟動(dòng)!

    介紹本頁面將指導(dǎo)您在搭載64位Bullseye操作系統(tǒng)的RaspberryPi4上安裝TensorFlowTensorFlow是一個(gè)專為深度學(xué)習(xí)開發(fā)的大型軟件,它消耗大量資源。您可
    的頭像 發(fā)表于 03-25 09:33 ?432次閱讀
    用樹莓派搞深度<b class='flag-5'>學(xué)習(xí)</b>?<b class='flag-5'>TensorFlow</b>啟動(dòng)!

    機(jī)器學(xué)習(xí)模型市場前景如何

    當(dāng)今,隨著算法的不斷優(yōu)化、數(shù)據(jù)量的爆炸式增長以及計(jì)算能力的飛速提升,機(jī)器學(xué)習(xí)模型的市場前景愈發(fā)廣闊。下面,AI部落小編將探討機(jī)器學(xué)習(xí)模型市場的未來發(fā)展。
    的頭像 發(fā)表于 02-13 09:39 ?358次閱讀

    傳統(tǒng)機(jī)器學(xué)習(xí)方法和應(yīng)用指導(dǎo)

    在上一篇文章中,我們介紹了機(jī)器學(xué)習(xí)的關(guān)鍵概念術(shù)語。在本文中,我們會(huì)介紹傳統(tǒng)機(jī)器學(xué)習(xí)的基礎(chǔ)知識和多種算法特征,供各位老師選擇。 01 傳統(tǒng)機(jī)器
    的頭像 發(fā)表于 12-30 09:16 ?1173次閱讀
    傳統(tǒng)<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>方法和應(yīng)用指導(dǎo)

    如何選擇云原生機(jī)器學(xué)習(xí)平臺

    當(dāng)今,云原生機(jī)器學(xué)習(xí)平臺因其彈性擴(kuò)展、高效部署、低成本運(yùn)營等優(yōu)勢,逐漸成為企業(yè)構(gòu)建和部署機(jī)器學(xué)習(xí)應(yīng)用的首選。然而,市場上的云原生機(jī)器
    的頭像 發(fā)表于 12-25 11:54 ?448次閱讀

    Arm成功將Arm KleidiAI軟件集成到騰訊自研的Angel 機(jī)器學(xué)習(xí)框架

    Arm 與騰訊攜手合作,成功將 Arm KleidiAI 軟件集成到騰訊自研的 Angel 機(jī)器學(xué)習(xí)框架。 ? 借助 KleidiAI 解鎖卓越性能、能效和可移植性,騰訊混元大模型能夠?qū)崿F(xiàn)更快
    的頭像 發(fā)表于 11-24 15:33 ?1273次閱讀

    什么是機(jī)器學(xué)習(xí)?通過機(jī)器學(xué)習(xí)方法能解決哪些問題?

    來源:Master編程樹“機(jī)器學(xué)習(xí)”最初的研究動(dòng)機(jī)是讓計(jì)算機(jī)系統(tǒng)具有人的學(xué)習(xí)能力以便實(shí)現(xiàn)人工智能。因?yàn)闆]有學(xué)習(xí)能力的系統(tǒng)很難被認(rèn)為是具有智能的。目前被廣泛采用的
    的頭像 發(fā)表于 11-16 01:07 ?957次閱讀
    什么是<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>?通過<b class='flag-5'>機(jī)器</b><b class='flag-5'>學(xué)習(xí)</b>方法能解決哪些問題?

    NPU與機(jī)器學(xué)習(xí)算法的關(guān)系

    緊密。 NPU的起源與特點(diǎn) NPU的概念最早由谷歌在其TPU(Tensor Processing Unit)項(xiàng)目中提出,旨在為TensorFlow框架提供專用的硬件加速。NPU的設(shè)計(jì)目標(biāo)是提高機(jī)器學(xué)習(xí)算法的運(yùn)行效率,特別是在處理
    的頭像 發(fā)表于 11-15 09:19 ?1193次閱讀

    如何使用Python構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)模型

    : NumPy:用于數(shù)學(xué)運(yùn)算。 TensorFlow:一個(gè)開源機(jī)器學(xué)習(xí),Keras是其高級API。 Keras:用于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型
    的頭像 發(fā)表于 11-13 10:10 ?1558次閱讀

    如何使用 PyTorch 進(jìn)行強(qiáng)化學(xué)習(xí)

    強(qiáng)化學(xué)習(xí)(Reinforcement Learning, RL)是一種機(jī)器學(xué)習(xí)方法,它通過與環(huán)境的交互來學(xué)習(xí)如何做出決策,以最大化累積獎(jiǎng)勵(lì)。PyTorch 是一個(gè)流行的開源
    的頭像 發(fā)表于 11-05 17:34 ?1021次閱讀

    RISC-V如何支持不同的AI和機(jī)器學(xué)習(xí)框架和?

    RISC-V如何支持不同的AI和機(jī)器學(xué)習(xí)框架和?還請壇友們多多指教一下。
    發(fā)表于 10-10 22:24

    第四章:在 PC 交叉編譯 aarch64 的 tensorflow 開發(fā)環(huán)境并測試

    本文介紹了在 PC 端交叉編譯 aarch64 平臺的 tensorflow 而非 tensorflow lite 的心酸過程。
    的頭像 發(fā)表于 08-25 11:38 ?2571次閱讀
    第四章:在 PC 交叉編譯 aarch64 的 <b class='flag-5'>tensorflow</b> 開發(fā)環(huán)境并測試

    Python自動(dòng)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)

    人工神經(jīng)網(wǎng)絡(luò)(ANN)是機(jī)器學(xué)習(xí)中一種重要的模型,它模仿了人腦神經(jīng)元的工作方式,通過多層節(jié)點(diǎn)(神經(jīng)元)之間的連接和權(quán)重調(diào)整來學(xué)習(xí)和解決問題。Python由于其強(qiáng)大的支持(如
    的頭像 發(fā)表于 07-19 11:54 ?695次閱讀

    如何在Tensorflow中實(shí)現(xiàn)反卷積

    TensorFlow中實(shí)現(xiàn)反卷積(也稱為轉(zhuǎn)置卷積或分?jǐn)?shù)步長卷積)是一個(gè)涉及多個(gè)概念和步驟的過程。反卷積在深度學(xué)習(xí)領(lǐng)域,特別是在圖像分割、圖像超分辨率、以及生成模型(如生成對抗網(wǎng)絡(luò)GANs)等任務(wù)中
    的頭像 發(fā)表于 07-14 10:46 ?1138次閱讀