在TensorFlow和PyTorch之間，你選擇誰？
煉丹師們想必都被TF折磨過，靜態圖、依賴問題、莫名其妙的改接口，即使Google發布了TF 2.0之後依然沒有解決問題。在萬般無奈下轉投PyTorch後，世界都變晴了。
「人生苦短，我用PyTorch」
#甚至從Google開始著手宣讀新一代計算框架JAX來看，似乎官方都對TF有點放棄的意思了，TensorFlow距離墳墓只有半步之遙。
趕在TF七歲生日之前，TensorFlow的開發團隊發布了一個博客，宣布TensorFlow將會繼續開發，並且將會在2023年發布全新版本，對介面的髒、亂、差狀況進行整改，並承諾100%向後相容！
大約七年前，也就是2015年11月9日，TensorFlow正式開源。
也是從那時起，成千上萬的開源貢獻者和社群內的Google開發專家、社群組織者、研究人員和全球教育家都投入到TensorFlow的開發上。
七年後的今天，TensorFlow已然是最常用的機器學習平台，數以百萬計的開發人員都在使用。
TF是gitHub上排名第三的軟體資源庫(僅次於Vue 和React) ，也是PyPI 下載次數最多的機器學習軟體包。
TF也將機器學習帶入了行動生態系統: TFLite運作在40億台裝置。
TensorFlow 也把機器學習帶到了瀏覽器: TensorFlow.js的下載次數為每週17萬次。
在Google的產品系列中，TensorFlow 幾乎為所有的生產機器學習提供支持，包括搜尋、 GMail、 YouTube、地圖、Play、廣告、照片等等。
除了Google以外，在Alphabet旗下的其他子公司中，TensorFlow和Keras也為Waymo的自動駕駛汽車提供了機器智慧的基礎。
在更廣泛的行業中，TensorFlow 為數千家公司的機器學習系統提供動力，其中包括世界上大多數最大的機器學習用戶——蘋果、位元組跳動、 Netflix 、騰訊、 Twitter 等等。
在研究領域，每個月，Google Scholar都會收錄超過3000篇新的科學文獻中提到TensorFlow或Keras
TF走到今天，其用戶基礎和開發者生態系統比以往任何時候都更大，並且還在不斷增長！
TensorFlow 的發展不僅是一個值得慶祝的成就，而且是一個機會，可以進一步為機器學習社群提供更多的價值。
開發團隊的目標是提供地球上最好的機器學習平台，並努力將機器學習從小眾產業轉變為像Web開發一樣成熟的產業。
為了實現這一目標，開發團隊願意傾聽用戶的需求，預測新的行業趨勢，迭代軟體的接口，並努力使大規模創新變得越來越容易。
機器學習正在迅速發展，TensorFlow 也是如此。
開發團隊已經開始研究 TensorFlow 的下一個迭代版本，將支援下一個十年的機器學習開發，一起戰未來！
快速且可擴展：XLA 編譯、分散式運算、效能最佳化
TF將專注於XLA 的編譯，在TPU效能優勢的基礎上，使大多數模型的訓練和推理工作流程在GPU 和CPU 上更快。開發團隊希望XLA成為深度學習編譯器的行業標準，並且作為 OpenXLA 計劃的一部分，目前已開源。
同時團隊也開始研究可用於大規模模型並行的新介面DTensor，可能會開啟超大型模型訓練和部署的未來。當使用者開發大模型時，即便同時使用多個客戶端，感知上也像在單機上訓練一樣。
DTensor將會與tf.distribution的介面進行統一，支援靈活的模型和資料並行。
開發團隊也將進一步研究演算法效能最佳化技術，如混合精度和降低精度的運算，可以提供相當大的GPU和TPU的速度提升。
應用機器學習
#為電腦視覺和自然語言處理領域提供新工具。
團隊正在研究的應用機器學習生態系統，特別是透過KerasCV 和KerasNLP 軟體包為應用CV和NLP用例提供模組化和可組合的組件，包括大量最先進的預訓練模型。
對於開發者來說，團隊也將為流行的和新興的應用機器學習用例添加更多的程式碼範例、指南和文檔，最終目標是逐步減少機器學習的產業壁壘，並將其轉變為每個開發人員手中的工具。
更容易部署
#開發者將會容易匯出模型，例如匯出到行動裝置(Android 或iOS )、邊緣設備(微控制器)、伺服器後端或JavaScript會變得更簡單。
未來，將模型匯出到 TFLite 和 TF.js 並優化其推理效能就像呼叫mod.export ()一樣簡單。
同時，團隊也在開發用於本機服務端推理的公共TF2 C 接口，可以直接作為C 程式的一部分。
不管你是用JAX和TensorFlow Serving開發的模型，還是使用 TensorFlow Lite 和 TensorFlow.js 開發的行動和 Web 模型，都會變得更容易部署。
更簡單
#隨著機器學習領域過去幾年的擴張， TensorFlow的介面也越來越多，而且並不總是以一致或簡單易懂的方式呈現。
開發團隊正在積極地整合和簡化這些 API，例如對數字採用 NumPy API 標準等。
模型的除錯也是一個需要考慮的問題，優秀的框架不只是它的API介面設計，也包括除錯體驗。
團隊的目標是透過更好的除錯能力，最大限度地縮短開發任何應用機器學習系統的解決時間。
開發團隊希望 TensorFlow 成為機器學習產業的基石，所以API的穩定性也是最重要的功能。
身為一個依賴TensorFlow 作為產品一部分的工程師，身為一個TensorFlow 生態系統套件的建構者，你可以升級到最新的TensorFlow 版本，並立即享受新功能和效能所帶來的改進，而無需擔心現有的程式碼庫可能會崩潰。
因此，開發團隊承諾從TensorFlow 2到下一個版本完全向後相容性。
TensorFlow 2程式碼可以原樣運行，無需進行程式碼轉換，也不需要手動更改。
團隊計劃在2023年第二季發布 TensorFlow 新功能的預覽版，並將在今年稍後發布產品版本。
以上是新版TensorFlow又立flag！官方團隊明確「四大支柱」：承諾100%向後相容，2023年發布的詳細內容。更多資訊請關注PHP中文網其他相關文章！
