让每一位开发者皆可使用机器学习技术

2022 年 6 月 30 日 谷歌开发者


发布人:TensorFlow 团队的 Laurence Moroney 和 Josh Gordon


近期开展的 Stack Overflow 开发者调查现已揭晓结果,我们欣喜地看到,TensorFlow 已成长为使用最广的 Machine Learning 工具,目前有 300 万软件开发者通过它来利用机器学习技术增强自己的产品和解决方案。更重要得是,这项调查显示,TensorFlow 还是开发者首选使用的框架,估计有 400 万开发者希望在不久的将来采用它。

  • Stack Overflow 开发者调查

    https://survey.stackoverflow.co/2022/#most-loved-dreaded-and-wanted-misc-tech-want

  • 使用最广的 Machine Learning 工具

    https://survey.stackoverflow.co/2022/#most-popular-technologies-misc-tech


TensorFlow 目前每月下载量超过 1,800 万次,在 GitHub 上累计标星 16.6 万次,远超其 Machine Learning 框架。在 Google 内部,几乎所有 AI 生产系统工作流程都依托这个框架,包括 Google 搜索、Google Ads、YouTube、Gmail、Google 地图、Google Play、Google 相册等。很多世界级巨头的生产系统也都采用这个框架,比如苹果、奈飞、Stripe、腾讯、优步、罗氏、领英、推特、百度、 Orange、酩悦·轩尼诗-路易·威登 (LVMH) 等,数不胜数。此外,每个月有超过 3,000 种涉及 TensorFlow 或 Keras 的新发行科学出版物被 Google 学术搜索编入索引,包括致力于探索抗癌密码的 CANDLE 研究等重大应用科学。

  • CANDLE

    https://candle.cels.anl.gov/



构成 Google Machine Learning 生态系统的产品和开源服务在不断扩大阵容。近年来,我们认识到没有一种通用的框架适用于所有场景——特别是生产系统的需求与前沿研究的需求经常存在冲突。鉴于此,我们开发出了 JAX,这是一种适用于分布式数值计算的极简 API,旨在为科学计算研究的下一浪潮插上腾飞的翅膀。JAX 非常适合开辟新前沿:使用它可使并行计算规模再上新台阶、推进新的算法和架构,以及开发新的编译器和系统。研究人员对 JAX 的广泛采用振奋人心,而 AlphaFoldImagen 等项目所取得的进步更彰显了它的价值。

  • AlphaFold

    https://www.deepmind.com/research/highlighted-research/alphafold

  • Imagen

    https://imagen.research.google/


在这个多种框架各领风骚的新时代,我们通过 TensorFlow 来满足应用 Machine Learning 开发者的需求 ——凡需要构建和部署可靠、稳定、高性能 Machine Learning 系统的工程师,不管其 Machine Learning 系统规模如何、适合何种平台,都属于这一范畴。我们的愿景是打造一个可赋能各组件更好协作的生态系统,确保研究人员和工程师能够充分利用这些组件,不管其来自何种框架。在实现 JAX 与 TensorFlow 的互操作性方面,我们已取得长足进展,特别是 jax2tf 功不可没。开发 JAX 模型的研究人员将可以通过 TensorFlow 平台的各种工具,把这种模型引入到生产环境中。

  • jax2tf

    https://github.com/google/jax/tree/main/jax/experimental/jax2tf


今后,我们打算双管齐下,将 TensorFlow 作为卓越的应用 Machine Learning 平台继续开发下去,同时持续完善 JAX 来突破 Machine Learning 研究的疆界。我们将继续在这两个 Machine Learning 框架上进行投入,助力数百万用户推进研究和应用。


我们还有很多正在开发中的精彩产品迫不及待与大家分享,敬请关注我们的平台了解更多详情!


登录查看更多
0

相关内容

【Manning新书】TensorFlow机器学习,454页pdf
专知会员服务
103+阅读 · 2021年11月14日
【干货书】Python机器学习,361页pdf
专知会员服务
252+阅读 · 2021年2月25日
经济学中的数据科学:机器学习与深度学习方法
专知会员服务
25+阅读 · 2020年10月19日
专知会员服务
53+阅读 · 2020年7月4日
KGCN:使用TensorFlow进行知识图谱的机器学习
专知会员服务
80+阅读 · 2020年1月13日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
159+阅读 · 2019年10月28日
谷歌开发者专家 (GDE) 招募开启!
谷歌开发者
0+阅读 · 2022年7月29日
TensorFlow团队:我们没被抛弃
量子位
0+阅读 · 2022年6月30日
TensorFlow技术概览-从建模到部署
专知
1+阅读 · 2022年4月1日
2021 Google 开发者大会丨构建高效机器学习生态
TensorFlow
0+阅读 · 2021年11月18日
TensorFlow 开发者证书 1 岁了!
TensorFlow
0+阅读 · 2021年10月11日
21个必须知道的机器学习开源工具!
AI100
13+阅读 · 2019年9月13日
深度学习 | 免费使用Google Colab的GPU云计算平台
沈浩老师
11+阅读 · 2018年2月4日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
4+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年8月30日
Arxiv
21+阅读 · 2022年2月24日
Arxiv
53+阅读 · 2021年5月3日
Arxiv
14+阅读 · 2020年9月1日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
53+阅读 · 2018年12月11日
VIP会员
相关VIP内容
【Manning新书】TensorFlow机器学习,454页pdf
专知会员服务
103+阅读 · 2021年11月14日
【干货书】Python机器学习,361页pdf
专知会员服务
252+阅读 · 2021年2月25日
经济学中的数据科学:机器学习与深度学习方法
专知会员服务
25+阅读 · 2020年10月19日
专知会员服务
53+阅读 · 2020年7月4日
KGCN:使用TensorFlow进行知识图谱的机器学习
专知会员服务
80+阅读 · 2020年1月13日
【书籍】深度学习框架:PyTorch入门与实践(附代码)
专知会员服务
159+阅读 · 2019年10月28日
相关资讯
谷歌开发者专家 (GDE) 招募开启!
谷歌开发者
0+阅读 · 2022年7月29日
TensorFlow团队:我们没被抛弃
量子位
0+阅读 · 2022年6月30日
TensorFlow技术概览-从建模到部署
专知
1+阅读 · 2022年4月1日
2021 Google 开发者大会丨构建高效机器学习生态
TensorFlow
0+阅读 · 2021年11月18日
TensorFlow 开发者证书 1 岁了!
TensorFlow
0+阅读 · 2021年10月11日
21个必须知道的机器学习开源工具!
AI100
13+阅读 · 2019年9月13日
深度学习 | 免费使用Google Colab的GPU云计算平台
沈浩老师
11+阅读 · 2018年2月4日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
4+阅读 · 2008年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
相关论文
Arxiv
0+阅读 · 2022年8月30日
Arxiv
21+阅读 · 2022年2月24日
Arxiv
53+阅读 · 2021年5月3日
Arxiv
14+阅读 · 2020年9月1日
Few-shot Learning: A Survey
Arxiv
362+阅读 · 2019年4月10日
Arxiv
53+阅读 · 2018年12月11日
Top
微信扫码咨询专知VIP会员