|
雷鋒網(wǎng) AI 科技評論按：TensorFlow 是目前最流行的深度學(xué)習(xí)庫，它是 Google 開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)流圖的計算。把 N 維數(shù)字從流圖的一端流動到另一端的過程，就是人工智能神經(jīng)網(wǎng)絡(luò)進行分析和處理的過程。最近，twitter 上有一位 Google AI 工程師總結(jié)了 TensorFlow 的 30 個主要功能，雷鋒網(wǎng) AI 科技評論整理如下。 在過去幾年，有關(guān) TensorFlow 的知識系統(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。 我對這個產(chǎn)品投入全心的思考并寫下了我的想法，下面是一條接一條不斷擴展的清單。對此，你準備好了嗎？ 1）TensorFlow 擴展（TFX）大家都知道我特別喜歡用 TFX 以及它的全套工具來把機器學(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產(chǎn)品、看看它的論文。 地址是：/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://v/ 這個開源軟件商店中使用。 TF Hub 的地址是：/hub/ 3）TFX 數(shù)據(jù)驗證 如何自動確保用于重新訓(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。 對于線上訓(xùn)練來說，這是一個量很大的工作！ https://www./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)也能被自動進行預(yù)處理：對特定特性進行歸一化、將字符串轉(zhuǎn)換為數(shù)值等。Transform 不僅可以對單個樣本進行這些操作，還能批處理數(shù)據(jù)。 網(wǎng)址是：https://www./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)或者模型推理過程中可能發(fā)生在某一小部分數(shù)據(jù)上的問題。我可以用它來仔細檢查數(shù)據(jù)，以確保所有類別的數(shù)據(jù)都沒有受到負面影響 網(wǎng)址是：https://www./tfx/model_analysis/?hl=zh-cn 6）TFX-服務(wù) 服務(wù)使得部署新算法 實驗變得容易，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./serving/?hl=zh-cn 7）TensorBoard TensorBoard 是 TensorFlow 框架上一個非?？犰诺目梢暬ぞ撸彩?TensorFlow 直接自帶的。它可以可視化展現(xiàn)模型運行過程中的日志，而且對于標量、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:///CEVbcJTHLP?amp=1 8）TensorFlow Lite (#TFLite) 用 #TFLite 可以在手機和嵌入式設(shè)備上部署模型。如果你看到安卓手機上有檢測植物葉子是否有疾病的 APP，或者小型的、具備 AI 技能的機器人，那么它們很有可能使用了 #TFLite。 網(wǎng)址是：https:///suCsBIeQz4?amp=1 9）TensorFlowJS 這是一個 JavaScript 庫，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 的團隊也棒極了！ 網(wǎng)址：https://js./ 10）TensorFlow 上的 Swift Swift 可以在運行代碼前，捕獲類型錯誤和形狀不匹配的錯誤，并內(nèi)置了自動微分功能。它帶來了 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 網(wǎng)址：https://www./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 的用戶友好性來實現(xiàn)圖形 模型的構(gòu)建。2.0 版本將會有更多的功能！ 網(wǎng)址：https://www./guide/keras
12）Tensor2Tensor Tensor2Tensor 是一個深度學(xué)習(xí)模型和數(shù)據(jù)集的開源軟件庫，它可以讓深度學(xué)習(xí)變得更容易上手，促進機器學(xué)習(xí)的研究。它同時也提供了何時以及為什么要部署這些模型的高級指南。 網(wǎng)址：https://github.com/tensorflow/tensor2tensor
13）XLA（線性代數(shù)計算加速） XLA 是線性代數(shù)領(lǐng)域特定的編譯器，它優(yōu)化了 TensorFlow 的計算方式。結(jié)果是在計算速度、內(nèi)存使用和移動平臺的可移植性上都有改進。 不過你先要有一個硬件加速器?。?/p> 網(wǎng)址：https://www./xla/
14）邊緣 TPU 為低功耗 IO 設(shè)備提供高性能機器學(xué)習(xí)推理的小型專用集成電路。例如：邊緣 TPU 可以執(zhí)行最先進的移動視覺模型，如以 100 fps 的速度執(zhí)行 MobileNet V2 模型，同時還非常地省電。 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……） 作為一個音樂家，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、自動創(chuàng)建旋律伴奏、使用機器學(xué)習(xí)來顯示音樂的視覺效果、轉(zhuǎn)錄曲調(diào)、產(chǎn)生新的聲音等等。 網(wǎng)址：https://magenta./
16）種子庫 這個功能也很少看到有人討論 種子庫是一個不斷擴展的交互式機器學(xué)習(xí)示例集合，您可以使用、修改、實驗和補充這些示例來滿足您的需求 用例研究。在種子庫的機器學(xué)習(xí)項目里面，甚至有關(guān)注公平和偏見的實例！ 種子庫的地址是：https://research.google.com/seedbank/
17）GoogleColab 分析工具這不是 TensorFlow 特有的工具，但是是一個非常好的工具，我不得不提到它！它是一個交互式的 Python 筆記本，能免費使用，可以在 CPU/GPU/TPU 或本地/遠程后端之間切換！
18）Probability 庫 深度學(xué)習(xí)是很好的，但是，作為一個數(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：蒙特卡洛，變分推理，貝葉斯技術(shù)，矢量量化自動編碼器等等。 網(wǎng)址是：https://www./probability/
19）模型園 這是一個收藏了大量 GoogleAI 和 TensorFlow 社區(qū)開源模型的大集合，包括了樣本和代碼片段。從樹到神經(jīng)元程序的合成都有。 網(wǎng)址是：https://github.com/tensorflow/models
20）Dopamine 這是一個用于原型化強化學(xué)習(xí)算法的、易于訪問的框架。專注于：實驗的簡單性、靈活性、可靠性和重現(xiàn)性。 備注：谷歌官方還沒有正式發(fā)布這個產(chǎn)品！ 網(wǎng)址：https://github.com/google/dopamine Dopamine 團隊甚至開發(fā)了一系列的 GoogleColab 筆記本來展示如何使用這個產(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 Python 和 C 代碼庫，旨在使對于常見的基因組學(xué)的數(shù)據(jù)如 SAM 或 VCF 更容易被讀取、寫入和分析。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 開發(fā)者峰會，請查看 You Tube 視頻： https://www./watch?v=vdG7uKQ2eKk 22）TensorFlow 研究云（TFRC） 這是 1000 個谷歌云 TPU 的集群，為機器學(xué)習(xí)研究社區(qū)提供了總計 180 兆帕的計算能力——而且絕對免費，為機器學(xué)習(xí)的下一次突破做出自己的貢獻。 網(wǎng)址：https://www./tfrc/
23）TensorFlow 社區(qū) 這不是一個特定的產(chǎn)品，但是它對 TensorFlow 的生態(tài)系統(tǒng)來說至關(guān)重要。 谷歌 AI 對社區(qū)的新關(guān)注點是：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？歡迎社會各界的貢獻和建議！馬上去問問 @billylamberta 學(xué)習(xí)如何開始吧！ 風格指南：https://www./community/documentation 反饋問題： https://github.com/tensorflow/tensorflow/issues?q=is%3Aopen is%3Aissue label%3Atype%3Adocs
25）Rstats fly_upside_down、rstudio 和 fchollet 為開發(fā)者創(chuàng)建了一個 R 接口，它使用高級 #Keras Estimator API，并在需要在較低級別調(diào)整網(wǎng)絡(luò)時提供更多的控制。 甚至有一本書是關(guān)于這個的：https://tensorflow./
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)機器學(xué)習(xí)內(nèi)核的知識，AdaNet 的教程是一個很好的起點！ 相關(guān)地址：https://github.com/tensorflow/adanet 關(guān)于 AdaNet 的論文：https:///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，這對于道德機器學(xué)習(xí)和將深度學(xué)習(xí)用于會有顯著影響的場景中是至關(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）概念激活向量測試 類似的道理：大多數(shù)可解釋性方法顯示每個輸入特征（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)，那么可以通過操縱或污染數(shù)據(jù)來破壞這些模型。在 @goodfellow_ian 的博客上可以看到如何使用 cleverhans 為對抗攻擊的脆弱性評估提供基準庫！ 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 rstats 支持，并且希望確保也能提到其它社區(qū)項目（TensorFlowSharp 是由 MiguelDigias 創(chuàng)造的）。 可以查看網(wǎng)址： https://github.com/tensorflow/rust https://github.com/tensorflow/haskell https://github.com/migueldeicaza/TensorFlowSharp
via DynamicWebPaige's Twitter，雷鋒網(wǎng) AI 科技評論整理。 |
|
|
