摘要：今年，發(fā)布了面向開發(fā)者的全新機器學(xué)習(xí)框架。今年，圍繞，谷歌同樣做出了幾項重大宣布發(fā)布新的官方博客與頻道面向開發(fā)者的全新機器學(xué)習(xí)框架發(fā)布一系列新的庫與工具例如等。提供了多種適用于張量的線性代數(shù)和機器學(xué)習(xí)運算的。

當(dāng)時時間 3 月 30 日，谷歌 TenosrFlow 開發(fā)者峰會 2018 在美國加州石景山開幕，來自全球的機器學(xué)習(xí)用戶圍繞 TensorFlow 展開技術(shù)演講與演示。去年的 TensorFlow 開發(fā)者大會上，該框架正式升級到了 1.0 版本，逐漸成為最流行的深度學(xué)習(xí)框架。今年，TensorFlow 發(fā)布了面向 JavaScript 開發(fā)者的全新機器學(xué)習(xí)框架 TensorFlow.js。

在大會上午的 Keynote 中，谷歌大腦負責(zé)人 Jeff Dean、TensorFlow 總監(jiān) Rajat Monga 等人圍繞 TensorFlow 做了表現(xiàn)、流行度等方面的介紹。

據(jù)介紹，在過去的兩年中，TensorFlow 不斷更新，不斷改善，逐漸成為社區(qū)內(nèi)更為流行的深度學(xué)習(xí)框架。下圖是從開源以來，TensorFlow 的重大更新，例如 TensorBoard、tfdata、tfkeras、Eager Execution 等。

而且據(jù)統(tǒng)計，兩年內(nèi)，TensorFlow 已經(jīng)有一千一百萬下載，超過三萬的 commits，6900 以上的 pull requests，1400 多位 contributors。

今年，圍繞 TensorFlow，谷歌同樣做出了幾項重大宣布：

1. 發(fā)布新的 TensorFlow 官方博客（http://blog.tensorflow.org/）與 TensorFlow YouTube 頻道；

2. 面向 JavaScript 開發(fā)者的全新機器學(xué)習(xí)框架 TensorFlow.js;

3. 發(fā)布一系列新的庫與工具：例如 TensorFlowHub、TensorFlow Probability API、Nucleus、DeepVariant 等。

在今天的幾項重大宣布中，比較有趣的是面向 JavaScript 開發(fā)者的全新機器學(xué)習(xí)框架 TensorFlow.js。在下文中，機器之心對 TensorFlow.js 做了細致介紹：

在大會的 Keynote 中，TensorFlow 團隊表示基于網(wǎng)頁的 JavaScript 庫 TensorFlow.js 現(xiàn)在已經(jīng)能訓(xùn)練并部署機器學(xué)習(xí)模型。我們可以使用神經(jīng)網(wǎng)絡(luò)的層級 API 構(gòu)建模型，并在瀏覽器中使用 WebGL 創(chuàng)建復(fù)雜的數(shù)據(jù)可視化應(yīng)用。此外 Node.js 很快就會發(fā)布，它能為網(wǎng)站模型提供 GPU、TPU 等快速訓(xùn)練與推斷的方法。

在 TensorFlow.js 中，我們可以使用最底層的 JavaScript 線性代數(shù)庫或的 API 在瀏覽器上開發(fā)模型，也能基于瀏覽器運行已訓(xùn)練的模型。因此，它可以充分利用瀏覽器和計算機的計算資源實現(xiàn)非常多機器學(xué)習(xí)應(yīng)用。例如在網(wǎng)頁端訓(xùn)練一個模型來識別圖片或語音，訓(xùn)練一個模型以新穎的方式玩游戲或構(gòu)建一個能創(chuàng)造鋼琴音樂的神經(jīng)網(wǎng)絡(luò)等。這些新穎的模型作為案例在 TensorFlow.js 中都提供了實現(xiàn)代碼，讀者也可以跟隨教程實現(xiàn)基于瀏覽器的模型。

TensorFlow.js 項目主頁：https://js.tensorflow.org/

TensorFlow.js 的核心概念

TensorFlow.js 是一個開源的用于開發(fā)機器學(xué)習(xí)項目的 WebGL-accelerated JavaScript 庫。TensorFlow.js 可以為你提供高性能的、易于使用的機器學(xué)習(xí)構(gòu)建模塊，允許你在瀏覽器上訓(xùn)練模型，或以推斷模式運行預(yù)訓(xùn)練的模型。TensorFlow.js 不僅可以提供低級的機器學(xué)習(xí)構(gòu)建模塊，還可以提供高級的類似 Keras 的 API 來構(gòu)建神經(jīng)網(wǎng)絡(luò)。

TensorFlow.js 的安裝非常簡單，我們可以直接使用 NMP 或腳本完成構(gòu)建。它的使用也有非常多的文檔與教程，我們只需要掌握一些基本的核心概念就能快速入手這一 JS 庫。接下來，我們介紹這個庫的一些核心概念。

Tensor

TensorFlow.js 中的中心數(shù)據(jù)單元是張量（tensor）：一維或多維數(shù)組。一個 Tensor 實例的 shape 屬性定義了其數(shù)組形狀（即，數(shù)組的每個維度上有多少個值）。

Tensor 主要構(gòu)造函數(shù)是 tf.tensor 函數(shù)：

// 2x3 Tensor

const shape = [2, 3]; // 2 rows, 3 columns

const a = tf.tensor([1.0, 2.0, 3.0, 10.0, 20.0, 30.0], shape);

a.print(); // print Tensor values

// Output: [[1 , 2 , 3 ],

// ? ? ? ? ?[10, 20, 30]]

// The shape can also be inferred:

const b = tf.tensor([[1.0, 2.0, 3.0], [10.0, 20.0, 30.0]]);

b.print();

// Output: [[1 , 2 , 3 ],

// ? ? ? ? ?[10, 20, 30]]

Variable

Variable 使用一個張量值來初始化。然而，和 Tensor 不一樣，它們的值是可變的。你可以用 assign 方法分配一個新的張量到一個已有的變量（variable）：

const initialValues = tf.zeros([5]);

const biases = tf.variable(initialValues); // initialize biases

biases.print(); // output: [0, 0, 0, 0, 0]

const updatedValues = tf.tensor1d([0, 1, 0, 1, 0]);

biases.assign(updatedValues); // update values of biases

biases.print(); // output: [0, 1, 0, 1, 0]

Variable 主要用于在模型訓(xùn)練過程中保存和更新值。?

Operations (Ops)

Tensor 可以用于保存數(shù)據(jù)，而 Operation（Op）則可用于操作數(shù)據(jù)。TensorFlow.js 提供了多種適用于張量的線性代數(shù)和機器學(xué)習(xí)運算的 Op。由于 Tensor 是不可改變的，這些 Op 不會改變它們的值，而會返回新的 Tensor。這些運算不僅包含 add、sub 和 mul 等二元運算，同時還包括 square 等一元運算：

const e = tf.tensor2d([[1.0, 2.0], [3.0, 4.0]]);

const f = tf.tensor2d([[5.0, 6.0], [7.0, 8.0]]);

const e_plus_f = e.add(f);

e_plus_f.print();

// Output: [[6 , 8 ],

// ? ? ? ? ?[10, 12]]

const d = tf.tensor2d([[1.0, 2.0], [3.0, 4.0]]);

const d_squared = d.square();

d_squared.print();

// Output: [[1, 4 ],

// ? ? ? ? ?[9, 16]]

模型和層

從概念上說，一個模型就是一個函數(shù)，給定輸入之后生成所需要的輸出。

在 Tensorflow.js 有兩種創(chuàng)建模型的方式：直接使用 Op 表示模型的運算?；蛘呤褂酶呒?API tf.model 來構(gòu)建以層定義的模型，這在深度學(xué)習(xí)中是很常用的抽象形式。其實除了以上的特征，Tensorflow.js 還有一些很重要的核心概念，例如內(nèi)存管理、神經(jīng)網(wǎng)絡(luò)基本運算和訓(xùn)練過程等。但我們了解以上概念就能輕松在瀏覽器中構(gòu)建出簡單的機器學(xué)習(xí)模型，如下展示了簡單線性回歸的定義方法：

import * as tf from "@tensorflow/tfjs";

? // Define a model for linear regression.

? const model = tf.sequential();

? model.add(tf.layers.dense({units: 1, inputShape: [1]}));

? // Prepare the model for training: Specify the loss and the optimizer.

? model.compile({loss: "meanSquaredError", optimizer: "sgd"});

? // Generate some synthetic data for training.

? const xs = tf.tensor2d([1, 2, 3, 4], [4, 1]);

? const ys = tf.tensor2d([1, 3, 5, 7], [4, 1]);

? // Train the model using the data.

? model.fit(xs, ys).then(() => {

? ? // Use the model to do inference on a data point the model hasn"t seen before:

? ? model.predict(tf.tensor2d([5], [1, 1])).print();

? });

目前該項目還是非常新穎的應(yīng)用，我們非常容易將機器學(xué)習(xí)模型部署在網(wǎng)頁端并在用戶的瀏覽器與硬件實現(xiàn)簡單的推斷。雖然我們還不清楚實現(xiàn)的效果，但這個 JS 庫真正能訓(xùn)練并部署機器學(xué)習(xí)模型，因此機器之心也將持續(xù)關(guān)注并嘗試構(gòu)建有意思的應(yīng)用。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754