TensorFlow的30個(gè)主要功能總結(jié)

TensorFlow 是目前最流行的深度學(xué)習(xí)庫(kù)，它是 Google 開(kāi)源的一款人工智能學(xué)習(xí)系統(tǒng)。Tensor 的意思是張量，代表 N 維數(shù)組；Flow 的意思是流，代表基于數(shù)據(jù)流圖的計(jì)算。把 N 維數(shù)字從流圖的一端流動(dòng)到另一端的過(guò)程，就是人工智能神經(jīng)網(wǎng)絡(luò)進(jìn)行分析和處理的過(guò)程。

最近，twitter 上有一位 Google AI 工程師總結(jié)了 TensorFlow 的 30 個(gè)主要功能，雷鋒網(wǎng) AI 科技評(píng)論整理如下。

在過(guò)去幾年，有關(guān) TensorFlow 的知識(shí)系統(tǒng)占據(jù)了我的大腦。與其它一些更新的框架相比，TensorFlow 的功能并不是很多。

我對(duì)這個(gè)產(chǎn)品投入全心的思考并寫(xiě)下了我的想法，下面是一條接一條不斷擴(kuò)展的清單。對(duì)此，你準(zhǔn)備好了嗎？

1）TensorFlow 擴(kuò)展（TFX）

大家都知道我特別喜歡用 TFX 以及它的全套工具來(lái)把機(jī)器學(xué)習(xí)模型部署到生產(chǎn)環(huán)境中。如果你關(guān)心如何使模型保持最新并監(jiān)控它們，那么你可以了解一下這個(gè)產(chǎn)品、看看它的論文。

地址是：tensorflow.org/tfx/?hl=zh-cn

2）TensorFlow hub

如果你想在小型數(shù)據(jù)集上訓(xùn)練你的模型，或者提高泛化能力，你會(huì)需要使用遷移學(xué)習(xí)。TFHub 模塊使它變得容易，并且可以在 https://tfhub.dev/ 這個(gè)開(kāi)源軟件商店中使用。TF Hub 的地址是：tensorflow.org/hub/

3）TFX 數(shù)據(jù)驗(yàn)證

如何自動(dòng)確保用于重新訓(xùn)練模型的數(shù)據(jù)與最初用于訓(xùn)練模型的數(shù)據(jù)具有相同的格式、源、命名約定等。

對(duì)于線上訓(xùn)練來(lái)說(shuō)，這是一個(gè)量很大的工作！

https://www.tensorflow.org/tfx/data_validation/?hl=zh-cn

4）TFX -TensorFlow 變換

同樣地，你可能希望用于重新訓(xùn)練的數(shù)據(jù)也能被自動(dòng)進(jìn)行預(yù)處理：對(duì)特定特性進(jìn)行歸一化、將字符串轉(zhuǎn)換為數(shù)值等。Transform 不僅可以對(duì)單個(gè)樣本進(jìn)行這些操作，還能批處理數(shù)據(jù)。

網(wǎng)址是：https://www.tensorflow.org/tfx/transform/?hl=zh-cn

5）TFX 模型分析

我最喜歡用 TensorFlow 模型分析功能去檢查模型的輸入數(shù)據(jù)或者模型推理過(guò)程中可能發(fā)生在某一小部分?jǐn)?shù)據(jù)上的問(wèn)題。我可以用它來(lái)仔細(xì)檢查數(shù)據(jù)，以確保所有類別的數(shù)據(jù)都沒(méi)有受到負(fù)面影響

網(wǎng)址是：https://www.tensorflow.org/tfx/model_analysis/?hl=zh-cn

6）TFX-服務(wù)

服務(wù)使得部署新算法+實(shí)驗(yàn)變得容易，但是仍然能保持相同的服務(wù)器架構(gòu)+API。它不僅可以直接支持 TensorFlow 上的模型，也可以支持其它模型。

網(wǎng)址是：https://www.tensorflow.org/serving/?hl=zh-cn

7）TensorBoard

TensorBoard 是 TensorFlow 框架上一個(gè)非常酷炫的可視化工具，它也是 TensorFlow 直接自帶的。它可以可視化展現(xiàn)模型運(yùn)行過(guò)程中的日志，而且對(duì)于標(biāo)量、直方圖、分布、圖、圖像、音頻等都有各自的展示面板。

網(wǎng)址是：https://t.co/CEVbcJTHLP?amp=1

8）TensorFlow Lite (#TFLite)

用 #TFLite 可以在手機(jī)和嵌入式設(shè)備上部署模型。如果你看到安卓手機(jī)上有檢測(cè)植物葉子是否有疾病的 APP，或者小型的、具備 AI 技能的機(jī)器人，那么它們很有可能使用了 #TFLite。

網(wǎng)址是：https://t.co/suCsBIeQz4?amp=1

9）TensorFlowJS

這是一個(gè) JavaScript 庫(kù)，用于在瀏覽器和 Node.js 上訓(xùn)練和部署 ML 模型。如果你已經(jīng)習(xí)慣了使用 TensorFlow Playground 和 GAN Playground，TFJS 就是它們背后的支撐技術(shù)。TensorFlowJS 的團(tuán)隊(duì)也棒極了！

網(wǎng)址：https://js.tensorflow.org/

10）TensorFlow 上的 Swift

Swift 可以在運(yùn)行代碼前，捕獲類型錯(cuò)誤和形狀不匹配的錯(cuò)誤，并內(nèi)置了自動(dòng)微分功能。它帶來(lái)了 eager execution 功能，而且讓 TF 的可用性提高了非常多。我還需要多用用這個(gè)

網(wǎng)址：https://www.tensorflow.org/swift/

11）Keras

Keras 如今直接集成在 TF 中，也就是 tf.keras。這意味著，如果不想使用低階的模型，那仍然可以用高階 API 的用戶友好性來(lái)實(shí)現(xiàn)圖形+模型的構(gòu)建。2.0 版本將會(huì)有更多的功能！網(wǎng)址：https://www.tensorflow.org/guide/keras

12）Tensor2Tensor

Tensor2Tensor 是一個(gè)深度學(xué)習(xí)模型和數(shù)據(jù)集的開(kāi)源軟件庫(kù)，它可以讓深度學(xué)習(xí)變得更容易上手，促進(jìn)機(jī)器學(xué)習(xí)的研究。它同時(shí)也提供了何時(shí)以及為什么要部署這些模型的高級(jí)指南。

網(wǎng)址：https://github.com/tensorflow/tensor2tensor

13）XLA（線性代數(shù)計(jì)算加速）

XLA 是線性代數(shù)領(lǐng)域特定的編譯器，它優(yōu)化了 TensorFlow 的計(jì)算方式。結(jié)果是在計(jì)算速度、內(nèi)存使用和移動(dòng)平臺(tái)的可移植性上都有改進(jìn)。不過(guò)你先要有一個(gè)硬件加速器?。?/p>

網(wǎng)址：https://www.tensorflow.org/xla/

14）邊緣 TPU

為低功耗 IO 設(shè)備提供高性能機(jī)器學(xué)習(xí)推理的小型專用集成電路。例如：邊緣 TPU 可以執(zhí)行最先進(jìn)的移動(dòng)視覺(jué)模型，如以 100+fps 的速度執(zhí)行 MobileNet V2 模型，同時(shí)還非常地省電。

網(wǎng)址：https://cloud.google.com/edge-tpu/

15）Magenta（這里把英文原文留下吧，中文翻譯不知所以……）

作為一個(gè)音樂(lè)家，Magenta 讓我高興得不得了。

可以將 8 鍵輸入映射到一架 88 鍵鋼琴上、自動(dòng)創(chuàng)建旋律伴奏、使用機(jī)器學(xué)習(xí)來(lái)顯示音樂(lè)的視覺(jué)效果、轉(zhuǎn)錄曲調(diào)、產(chǎn)生新的聲音等等。

網(wǎng)址：https://magenta.tensorflow.org/

16）種子庫(kù)

這個(gè)功能也很少看到有人討論

種子庫(kù)是一個(gè)不斷擴(kuò)展的交互式機(jī)器學(xué)習(xí)示例集合，您可以使用、修改、實(shí)驗(yàn)和補(bǔ)充這些示例來(lái)滿足您的需求+用例研究。在種子庫(kù)的機(jī)器學(xué)習(xí)項(xiàng)目里面，甚至有關(guān)注公平和偏見(jiàn)的實(shí)例！

種子庫(kù)的地址是：https://research.google.com/seedbank/

17）GoogleColab 分析工具

這不是 TensorFlow 特有的工具，但是是一個(gè)非常好的工具，我不得不提到它！它是一個(gè)交互式的 Python 筆記本，能免費(fèi)使用，可以在 CPU/GPU/TPU 或本地/遠(yuǎn)程后端之間切換！

18）Probability 庫(kù)

深度學(xué)習(xí)是很好的，但是，作為一個(gè)數(shù)據(jù)科學(xué)家，你可能想告訴你的模型一些特定領(lǐng)域的知識(shí)：蒙特卡洛，變分推理，貝葉斯技術(shù)，矢量量化自動(dòng)編碼器等等。

網(wǎng)址是：https://www.tensorflow.org/probability/

19）模型園

這是一個(gè)收藏了大量 GoogleAI 和 TensorFlow 社區(qū)開(kāi)源模型的大集合，包括了樣本和代碼片段。從樹(shù)到神經(jīng)元程序的合成都有。

網(wǎng)址是：https://github.com/tensorflow/models

20）Dopamine

這是一個(gè)用于原型化強(qiáng)化學(xué)習(xí)算法的、易于訪問(wèn)的框架。專注于：實(shí)驗(yàn)的簡(jiǎn)單性、靈活性、可靠性和重現(xiàn)性。

備注：谷歌官方還沒(méi)有正式發(fā)布這個(gè)產(chǎn)品！

網(wǎng)址：https://github.com/google/dopamine

Dopamine 團(tuán)隊(duì)甚至開(kāi)發(fā)了一系列的 GoogleColab 筆記本來(lái)展示如何使用這個(gè)產(chǎn)品！這種用戶友好的做法也讓框架更加地多變。

網(wǎng)址：https://github.com/google/dopamine/blob/master/dopamine/colab/README.md

21）Nucleus 模塊

Nype 是一個(gè) Python 和 C++代碼庫(kù)，旨在使對(duì)于常見(jiàn)的基因組學(xué)的數(shù)據(jù)如 SAM 或 VCF 更容易被讀取、寫(xiě)入和分析。它能與 TensorFlow 完美的集合在一起。

網(wǎng)址：https://github.com/google/nucleus

關(guān)于 2018 TensorFlow 開(kāi)發(fā)者峰會(huì)，請(qǐng)查看 You Tube 視頻：

https://www.youtube.com/watch?v=vdG7uKQ2eKk

22）TensorFlow 研究云（TFRC）

這是 1000 個(gè)谷歌云 TPU 的集群，為機(jī)器學(xué)習(xí)研究社區(qū)提供了總計(jì) 180 兆帕的計(jì)算能力——而且絕對(duì)免費(fèi)，為機(jī)器學(xué)習(xí)的下一次突破做出自己的貢獻(xiàn)。網(wǎng)址：https://www.tensorflow.org/tfrc/

23）TensorFlow 社區(qū)

這不是一個(gè)特定的產(chǎn)品，但是它對(duì) TensorFlow 的生態(tài)系統(tǒng)來(lái)說(shuō)至關(guān)重要。谷歌 AI 對(duì)社區(qū)的新關(guān)注點(diǎn)是：以 Edd 為首的功能郵件列表、社交媒體、特殊興趣小組以及 TensorFlow 直接輸入新的/變化的功能。

24）TensorFlow 文檔

你知道我們所有的文件都放在 @ GITHUB 上嗎？歡迎社會(huì)各界的貢獻(xiàn)和建議！馬上去問(wèn)問(wèn) @billylamberta 學(xué)習(xí)如何開(kāi)始吧！

風(fēng)格指南：https://www.tensorflow.org/community/documentation

反饋問(wèn)題：https://github.com/tensorflow/tensorflow/issues?q=is%3Aopen+is%3Aissue+label%3Atype%3Adocs

25）Rstats

fly_upside_down、rstudio 和 fchollet 為開(kāi)發(fā)者創(chuàng)建了一個(gè) R 接口，它使用高級(jí) #Keras+Estimator API，并在需要在較低級(jí)別調(diào)整網(wǎng)絡(luò)時(shí)提供更多的控制。

甚至有一本書(shū)是關(guān)于這個(gè)的：https://tensorflow.rstudio.com/

26）AdaNet

用于自適應(yīng)學(xué)習(xí)深層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)/優(yōu)化權(quán)值的算法。如果您想了解更多關(guān)于自適應(yīng)機(jī)器學(xué)習(xí)內(nèi)核的知識(shí)，AdaNet 的教程是一個(gè)很好的起點(diǎn)！

相關(guān)地址：https://github.com/tensorflow/adanet

關(guān)于 AdaNet 的論文：https://arxiv.org/abs/1607.01097

27）Lucid

可解釋性，也就是深層神經(jīng)網(wǎng)絡(luò)是怎么做出決策的，這對(duì)于道德機(jī)器學(xué)習(xí)和將深度學(xué)習(xí)用于會(huì)有顯著影響的場(chǎng)景中是至關(guān)重要的。

https://github.com/tensorflow/lucid這里有 GoogleColab 的教程、代碼以及 distillpub 的文章

28）概念激活向量測(cè)試

類似的道理：大多數(shù)可解釋性方法顯示每個(gè)輸入特征（例如，像素）中的重要權(quán)重。相反，TCAV 顯示了高層次概念（例如，顏色、性別、種族）的重要性，即人類如何交流。

網(wǎng)址：https://github.com/tensorflow/tcav

29）Cleverhans

如果你的模型的表現(xiàn)高度取決于輸入數(shù)據(jù)，那么可以通過(guò)操縱或污染數(shù)據(jù)來(lái)破壞這些模型。在 @goodfellow_ian 的博客上可以看到如何使用 cleverhans 為對(duì)抗攻擊的脆弱性評(píng)估提供基準(zhǔn)庫(kù)！

網(wǎng)址是：https://github.com/tensorflow/cleverhans

30）Rust + Haskell 和 C API 的結(jié)合

我在前面提到過(guò) rstats 支持，并且希望確保也能提到其它社區(qū)項(xiàng)目（TensorFlowSharp 是由 MiguelDigias 創(chuàng)造的）。

可以查看網(wǎng)址：

https://github.com/tensorflow/rusthttps://github.com/tensorflow/haskellhttps://github.com/migueldeicaza/TensorFlowSharp

via DynamicWebPaige's Twitter