【導(dǎo)讀】AI科技大本營曾報道過，TensorFlow 2.0 已經(jīng)在開發(fā)計劃中了，相信在不久的將來就會和我們見面。那么現(xiàn)在的 TensorFlow 都有哪些功能，大家是否都全部了解呢？近日，谷歌在 Google Cloud Next 上發(fā)布了關(guān)于TensorFlow 的所有新內(nèi)容，AI科技大本營已經(jīng)為你準備好了~

▌1.一個強大的機器學(xué)習(xí)框架

TensorFlow 是一個機器學(xué)習(xí)的框架，如果你有大量數(shù)據(jù)需要處理，或是你在和深度學(xué)習(xí)打交道，那么 TensorFlow 都將會成為你的得力助手。神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)的重頭戲。在數(shù)據(jù)科學(xué)中，它不是一把瑞士軍刀，而是工業(yè)車床，如果你只想用一條回歸線穿過 20x2 的數(shù)據(jù)表，那么下面的內(nèi)容對你來說可能用處不大。

但如果你的數(shù)據(jù)量很大，那 TensorFlow 一定幫得上你。TensorFlow 已被用于尋找新的行星，幫助醫(yī)生檢測糖尿病視網(wǎng)膜病，以及把非法的伐林行為報告給官方來幫助保護森林。另外，AlphaGo 和 Google Cloud Vision 也是基于 TensorFlow 開發(fā)的。而且 TensorFlow 是開源的，你可以免費下載并立刻上手操作。

在 TensorFlow 的幫助下，人類發(fā)現(xiàn)了 Kepler-90i 星球，這使 Kepler-90 系統(tǒng)成為我們目前知道的唯一一個八顆行星圍繞一顆星旋轉(zhuǎn)的系統(tǒng)。

▌2.動態(tài)圖機制，簡單易操作

我對 TensorFlow 的 Eager Execution 模式實在太鐘愛了。如果你過去曾使用過 TensorFlow，肯定會因為過于“學(xué)術(shù)”的代碼風(fēng)格而被嚇跑了，那么現(xiàn)在請考慮回來吧！

TensorFlow 的 Eager Execution 機制可以讓你做一個純粹的 Python 程序員，可即時顯示編寫與運行錯誤，方便調(diào)試，你不用屏住呼吸等待一大段代碼的編譯結(jié)果。我個人也是偏向?qū)W術(shù)派，但是我已經(jīng)愛上 Eager Execution 這個機制了，相信你也會。

Eager Execution 鏈接：

https://www.tensorflow.org/guide/eager

▌3.可以逐行建立一個神經(jīng)網(wǎng)絡(luò)

Keras + TensorFlow = 快速建立神經(jīng)網(wǎng)絡(luò)的方式！

Keras 對用戶是非常友好的，讓建模變得更容易。如果你喜歡面向?qū)ο蟮乃季S方式，同時傾向于逐層地創(chuàng)建一個神經(jīng)網(wǎng)絡(luò)，那么你一定會喜歡 tf.keras。僅需下面幾行代碼，就可以創(chuàng)建一個漂亮的序貫神經(jīng)網(wǎng)絡(luò)。

▌4.不止于 Python，可用于多種編程語言

你可能曾經(jīng)抱怨過 TensorFlow 的偏執(zhí)，因為它只能用于 Python。那這個對你來說絕對是一個好消息！現(xiàn)在 TensorFlow 不再只鐘情于 Python 了，它已經(jīng)可以支持多種語言，從 R 到 Swift 到 JavaScript 都可以調(diào)用 TensorFlow 了。

▌5.在瀏覽器中做任何事

談到 JavaScript ，自從有了 TensorFlow.js，你就可以在瀏覽器中訓(xùn)練并運行你的模型。你可以在官方社區(qū)中看到各種酷斃了的 demo。

注：AI科技大本營以前也為大家介紹過一些有趣的技術(shù)，例如在瀏覽器中通過 TensorFlow.js 進行人臉檢測與特征識別。還有開發(fā)者利用攝像頭和 TensorFlow.js 實現(xiàn)了對手語的識別。可見，這個 API 受到了廣大開發(fā)者的歡迎。

這是一個基于 TensorFlow.js 的在瀏覽器中可以實時識別人動作的小應(yīng)用。你可以打開攝像頭，試試這個在線 demo：

https://storage.googleapis.com/tfjs-models/demos/posenet/camera.html

▌6.專用于小型設(shè)備的 Lite 版

TensorFlow Lite 版使模型可以在多種設(shè)備上運行，包括移動設(shè)備和物聯(lián)網(wǎng)設(shè)備，它的運行速度達到了原版 TensorFlow 的3倍。沒錯，你現(xiàn)在可以在你的樹莓派或者手機上進行機器學(xué)習(xí)了！有一位用戶直播在安卓模擬器上進行圖像識別，結(jié)果他成功了。

計算只用了約1.6秒！

▌7.專屬的硬件

如果你厭倦了等待 CPU 用大量數(shù)據(jù)去訓(xùn)練神經(jīng)網(wǎng)絡(luò)，那么現(xiàn)在你可以試試專門為此設(shè)計的硬件 Cloud TPU。幾周前，Google 發(fā)布了 TPU 的第三個版本。

▌8.數(shù)據(jù)管道的效率大大提升

如果你要使用 NumPy 時怎么辦呢？為了避免你在 TensorFlow 中引用它的種種不便，TensorFlow 提供了 tf.data，這一 API 的加入可以使輸入過程更加高效。在訓(xùn)練過程中，tf.data 可以讓我們的數(shù)據(jù)管道更加速度、靈活且易操作。

▌9.你不用從零開始

你知道在機器學(xué)習(xí)起步階段最無聊的事情是什么嗎？編輯器里空白的頁面，放眼望去一個代碼示例也沒有。但有了 TensorFlow Hub，你可以自助引用其他人的代碼，并將其變成你自己的，相信你會愛上這種高效的方式。

TensorFlow Hub 是一個可以重復(fù)使用機器學(xué)習(xí)模型的庫，也就是說我們可以在其他類似的任務(wù)中重復(fù)使用一個模塊。