Py学习  »  机器学习算法

共码未来 | 更全面的开源机器学习生态

TensorFlow • 1 年前 • 149 次点击  

构建机器学习的每个环节

都有来自谷歌技术与工具的强力支持


Tensor Projects

为开发者们提供了一整套

出色且具备协同效应的技术与平台

助力开发者开启机器学习的未来之路


跟随 2022 Google 开发者大会的脚步

一起探索机器学习的无限可能!



谷歌致力于打造一整套强大的机器学习工具生态,让开发者能够在所有硬件和设备类型上将创意落地为产品。在这一目标下,产品团队开发了多款实用工具,既可用于领域前沿研究,也可用于全球部署。这些出色且具备协同效应的技术和平台,统称为 Tensor Projects




高质量的数据有助于构建更优秀的机器学习模型,Tensor Projects 提供了多种开源工具和资源,来帮助开发者获取、标记、预处理并提取高质量的数据,满足高质量模型构建的要求。


TensorFlow 数据集(TensorFlow DataSets)是一系列现成的数据集,可用于 TensorFlow 或其他 Python 机器学习框架(例如 Jax)。帮助开发者快速构建和验证机器学习模型原型,无需人工花费大量时间收集和标记数据。



Keras 让数据预处理更简单。开发者既可以在模型之外使用这些功能(即在 tf.data 流水线中使用,适合训练),也可以在模型内使用(适合推断)。




谷歌为开发者提供了多种选择,帮助开展机器学习模型的定义和训练工作。


JAX 是专为硬件加速器优化的框架,可以帮助开发者更深入地钻研机器学习的数学运算,推动机器学习研究的发展。例如,DeepMind 使用 JAX 开发出了 AlphaFold 来解决蛋白质折叠问题,从而精准预测蛋白质的结构。



对于不需要深入到数学层面的开发者来说,TensorFlow 可帮助轻松创建模型。对于开发移动或者嵌入式应用的开发者, TensorFlow Lite Model Maker 可以帮助解决创造模型过程中的诸多复杂任务,比如数据处理、训练、评估、优化、转化等。Model Maker 和 Task 库现已支持端侧大规模近邻搜索 Searcher API。




完成训练的模型可以根据需要部署到不同场景,比如云端、网页端、浏览器、移动端、嵌入式平台,甚至微控制器。


TensorFlow Extended (TFX) 是一个端到端平台,用于部署生产型机器学习流水线。借助 TFX,开发者可以轻松搭建机器学习的流程与基础设施,灵活地将机器学习模型部署到生产环境之中。



TensorFlow Serving 作为 TFX 非常受欢迎的一个组件,可以在机器学习模型训练完成后针对多种平台部署模型,并进行远程推理。




新数据的引入、错误修复、性能提升等要素要求我们必须持续不断地训练和部署模型。这种在模型使用过程中持续学习并改进的流程被称为 MLOps,是第四个支柱。为此,谷歌提供了一系列工具,帮助开发者更便捷地实现模型持续部署工作,TFX 就是其中重要工具之一。



MediaPipe 为开发者提供了适合所有人的可定制设备端机器学习解决方案。可以将复杂的流水线封装成 MediaPipe Tasks,同时通过 MediaPipe Model Maker 让每个人都能轻松定制模型。通过低代码 API 提供可定制的高性能设备端机器学习解决方案。此外,无需代码的图形化工具也即将上线。更多更强大的解决方案即将上线。





内置到 Google Play 服务中的 TensorFlow Lite 最近推出了 Beta 版本。


可帮助开发者大幅缩减应用体量,且通过后台更新功能让用户及时用上最新版本,而无需重新部署应用。




TensorFlow 官方团队推出了《 TensorFlow 入门课程 - 部署篇 》专题课程。课程基于《机器学习实战:模型构建与应用》,联合国内多所高校老师及谷歌认证开发者专家设计制作。课程将指导开发者迅速入门部署领域,快速掌握如何将模型部署于 Android 和 iOS 工程、使用 JavaScript 的浏览器以及通过云提供服务的场景,为实践运用做好准备。




欢迎在评论区留言

分享您对 Tensor Projects 的感想和期待


持续关注谷歌开发者

了解更多谷歌技术进展与产品更新

探索“共码未来”的无限精彩!



不要忘记“一键三连”哦~

分享

点赞

在看

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/147389
 
149 次点击