最近科技圈似乎都沒有什麼大事兒，唯一讓我朋友圈熱鬧了一下的就是一年一度的 TensorFlow Dev Summit，但今年也因為新冠肺炎疫情的問題，首次改為了線上直播的方式。
本來覺得線上發佈會應該沒什麼意思，但看了下直播日程後發現似乎有一些“貨”啊，於是分別看了直播（太困沒看完）和第二天錄播，整理了其中的部分亮點。
看完之後我最大的感受就是：TensorFlow 不再是一個簡單的 library，而是谷歌全力打造的社區和一個生態。
TensorFlow 2.2
從 2010 年開始，谷歌大腦創建了他們的第一代機器學習系統 DistBelief，建成之後迅速的在谷歌內部進行部署使用，包括 Google 搜索、廣告、相冊、地圖、街景、翻譯和 Youtube，幾乎是召集了全公司之力來做大型測試。
在廣泛應用之後，Google 覺得目前的代碼庫過於繁重，於是讓Geoffrey Hinton 和 Jeff Dean 牽頭帶隊，重構了 DistBelief 的代碼庫，從而使其變成了一個更快、更健壯的應用級別代碼庫，也就是 TensorFlow 的雛形。
2017 年 02 月，Tensorflow 正式發佈了 1.0.0 版本，同時也標誌著穩定版本的誕生。
隨著版本的迭代和性能不斷地提升，TensorFlow 現在已被公司、企業與創業公司廣泛用於自動化工作任務和開發新系統，從 GitHub 上的數據我們也能看到，TensorFlow 項目在所有的機器學習、深度學習項目中一直排名第一。
究其原因，雖然 TensorFlow 並非盡善盡美，但一方面是 Google 在業界的影響力和集團內部的大力支持，另一方面就是 TensorFlow 憑藉谷歌的技術硬實力，確實在很多方面都擁有優異的表現，比如其在分佈式訓練支持、可擴展的生產和部署選項、多種設備（比如安卓）支持方面備受好評。
去年的這個時候，谷歌官方在 TensorFlow Dev Summit 上發佈了 TensorFlow 2.0 的 Alpha 版本。7 個月之後推出了 TensorFlow 2.0 的正式版，一推出就讓整個機器學習領域沸騰了：
Google 深度學習科學家以及 Keras 的作者表示，TensorFlow 2.0 是一個新時代的機器學習平臺，這將改變了一切。
目前 GitHub 上排名第一的 NLP 機器學習課程 practicalAI 的作者以及蘋果公司 AI 研究員 Goku Mohandas 也在推特上表示，他們正在從 PyTorch 轉向 TensorFlow 2.0。
雖然不敢說邁進新時代，但至少 TensorFlow 2.0 改正了之前的錯誤，讓 TensorFlow 變的更加易用。
這次大會上發佈的 TensorFlow 2.2 雖然只是一個小版本，但他讓人注目的並不是所謂的性能提升，更多的是其強調了生態的兼容性和核心庫的穩定性。從這一點我們也能看到，Google 致力於打造「大社區」的目標和方向。
TensorFlow Lite
2017 年 5 月，谷歌在 I/O 大會上宣佈推出 TensorFlow Lite，這是一款 TensorFlow 用於移動設備和嵌入式設備的輕量級解決方案。
正如它的名字「Lite」一樣，谷歌對這個產品的定位就是「精&簡」。發佈時的兩個招牌亮點也體現了這一特點：
- 跨平臺：可以在許多不同平臺上運行，安卓和iOS應用開發者都可以使用
- 快速：針對移動設備進行了優化，包括快速初始化，顯著提高的模型加載時間，並支持硬件加速
也就是說，TensorFlow lite 的重點不是訓練模型，而是降低門檻，讓一些性能不太行的設備也能高效的運行機器學習模型。根據官方提供的資料顯示，目前 TensorFlow 已經部署在數十億個邊緣設備中，隨著移動設備的發展，這個項目自然也有著很大的前景。
這次大會上，官方也強調將針對各種移動設備開發一系列的工具包，進一步優化性能，並提升隱私安全。
在新增的 TF lite 擴展庫方面，則是新增更多圖像和語言 API，加入了 Android Studio 集成，並完善代碼生成等功能。報告裡還發布了 Core ML Delegation ，可通過蘋果神經芯片的核心 ML 代理，在蘋果的終端設備上，加速其浮點運算速度。
TensorBoard.dev
2015 年穀歌開源 TensorFlow 的時候，裡面自帶了一套幫助檢測、理解和運行模型的可視化工具 TensorBoard。
作為 TensorFlow 的可視化工具包，支持追蹤實驗指標、可視化模型、分析 ML 程序、可視化超參數調優實驗等等，研究人員和工程師通常用 TensorBoard 來進行可視化和理解 ML 實驗。
因為機器學習通常需要多人協作，TensorBoard.dev 作為一項託管服務，只需上傳 TensorBoard 日誌就能生成一個共享鏈接，項目成員都可以查看，並且無需前置的安裝或者設置。
除此之外，這次大會中谷歌也提到希望開發人員能夠嘗試使用 TensorBoard.dev 的其他功能，但這次推出的仍只是預覽版，不知道完整版會帶來哪些變動。
TensorFlow Quantum（TFQ）
“自然界並不像經典物理學描述的那樣，真見鬼。要想模擬自然，最好是用量子力學。” —— 物理學家理查德·費曼（Richard Feynman）
對我來說，這是本次會議的另一個重頭戲。
TFQ 提供了必要的工具，可將量子計算和機器學習研究界聚集在一起，以控制和建模自然或人工量子系統，例如有噪聲的中規模量子（Noisy Intermediate Scale Quantum，NISQ）處理器，具有約 50-100 量子位。
隨著量子計算發展的最新進展，新的量子機器學習模型的開發可能會對全球最嚴峻的問題產生深遠影響，從而在醫藥、材料、傳感和通信領域取得突破。然而，我們至今仍缺乏研究工具，來發現有用的量子機器學習模型，即既可以處理量子數據又能在當今可用的量子計算機上執行的模型。
研究人員可使用 TFQ 在單個計算圖中以張量的形式構建量子數據集、量子模型和經典控制參數。導致經典概率事件的量子測量結果是通過 TensorFlow 算子實現的。
大會上也提出，谷歌目前已將 TensorFlow Quantum 用於量子-經典混合卷積神經網絡、量子控制機器學習、量子神經網絡逐層學習、量子動力學學習和混合量子態的生成式建模，並學著通過經典循環神經網絡學習量子神經網絡。
TensorFlow Quantum 目前主要用於在經典量子電路模擬器上執行量子電路。放眼未來，TFQ 將能在 Cirq 支持的實際量子處理器（包括 Google 自有的處理器 Sycamore）上執行量子電路。
擴展資料
TensorFlow 2.2.0 ：
https://github.com/tensorflow/tensorflow/releases
TensorFlow Lite 代碼：
https://github.com/tensorflow/tensorflow/tree/master/tensorflow/contrib/lite.
模型的模式文件：
https://github.com/tensorflow/tensorflow/blob/master/tensorflow/contrib/lite/schema/schema.fbs
TensorFlow Quantum 網站：
https://tensorflow.google.cn/quantum
TensorFlow Quantum 白皮書：
https://arxiv.org/abs/2003.02989
2004 年，Google 創始人 Larry Page 和 Sergey Brin 曾預言道：“計算機將會被植入人類大腦，搜索會成為一種自主進行的行為。”
16 年之後的今天，我們雖然沒能把計算機植入大腦，但我們讓計算機變的越來越智能、越來越像一個“大腦”。各式各樣的工具和產品讓我們的科研與開發變的更簡單、高效、智能。
TensorFlow 作為谷歌戰略佈局中的重要一步，相信目標也是儘快實現技術智能化，推動社會的發展。雖然谷歌近幾年偶爾會曝出醜聞，再加上各種政治市場因素的影響，在開發者心中不再是那片“聖地”，但我們不能否定谷歌在技術領域作出的貢獻與推動。
2020，世界很不容易。
希望我們能借助科技的力量在世界崩塌前力挽狂瀾。
閱讀更多 SegmentFault思否 的文章
