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反对
Tensor Projects
为开发者们提供了一整套
杰出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将来之路
追随 2022 Google 开发者大会的脚步
一起摸索机器学习的有限可能！
Tensor Projects: 为机器学习构建全面的开源产品生态
谷歌致力于打造一整套弱小的机器学习工具生态，让开发者可能在所有硬件和设施类型上将创意落地为产品。在这一指标下，产品团队开发了多款实用工具，既可用于畛域前沿钻研，也可用于寰球部署。这些杰出且具备协同效应的技术和平台，统称为 Tensor Projects。
支柱一: 数据注入和预处理
高质量的数据有助于构建更优良的机器学习模型，Tensor Projects 提供了多种开源工具和资源，来帮忙开发者获取、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 或其余 Python 机器学习框架（例如 Jax）。帮忙开发者疾速构建和验证机器学习模型原型，无需人工破费大量工夫收集和标记数据。
- Keras 让数据预处理更简略。开发者既能够在模型之外应用这些性能（即在 tf.data 流水线中应用，适宜训练），也能够在模型内应用（适宜推断）。
支柱二：模型架构定义和训练
谷歌为开发者提供了多种抉择，帮忙发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，能够帮忙开发者更深刻地钻研机器学习的数学运算，推动机器学习钻研的倒退。例如，DeepMind 应用 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构造。
- 对于不须要深刻到数学层面的开发者来说，TensorFlow 可帮忙轻松创立模型。对于开发挪动或者嵌入式应用的开发者，TensorFlow Lite Model Maker 能够帮忙解决发明模型过程中的诸多简单工作，比方数据处理、训练、评估、优化、转化等。Model Maker 和 Task 库现已反对端侧大规模近邻搜寻 Searcher API。
支柱三：模型部署
实现训练的模型能够依据须要部署到不同场景，比方云端、网页端、浏览器、挪动端、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，开发者能够轻松搭建机器学习的流程与基础设施，灵便地将机器学习模型部署到生产环境之中。
- TensorFlow Serving 作为 TFX 十分受欢迎的一个组件，能够在机器学习模型训练实现后针对多种平台部署模型，并进行近程推理。
支柱四：监测和保护
新数据的引入、谬误修复、性能晋升等因素要求咱们必须继续一直地训练和部署模型。这种在模型应用过程中继续学习并改良的流程被称为 MLOps，是第四个支柱。为此，谷歌提供了一系列工具，帮忙开发者更便捷地实现模型继续部署工作，TFX 就是其中重要工具之一。
MediaPipe: 简化设施端机器学习
MediaPipe 为开发者提供了适宜所有人的可定制设施端机器学习解决方案。能够将简单的流水线封装成 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施端机器学习解决方案。此外，无需代码的图形化工具也行将上线。更多更弱小的解决方案行将上线。
GooglePlay 服务中的 TensorFlowLite: 为利用公布带来便当
内置到 Google Play 服务中的 TensorFlow Lite 最近推出了 Beta 版本。
可帮忙开发者大幅缩减利用体量，且通过后盾更新性能让用户及时用上最新版本，而无需重新部署利用。
《TensorFlow 入门课程 - 部署篇》登陆
TensorFlow 官网团队推出了《TensorFlow 入门课程 – 部署篇》专题课程。课程基于《机器学习实战：模型构建与利用》，联合国内多所高校老师及谷歌认证开发者专家设计制作。课程将领导开发者迅速入门部署畛域，疾速把握如何将模型部署于 Android 和 iOS 工程、应用 JavaScript 的浏览器以及通过云提供服务的场景，为实际使用做好筹备。
欢送在评论区留言
分享您对 Tensor Projects 的感想和期待
继续关注谷歌开发者
理解更多谷歌技术停顿与产品更新
摸索“共码将来”的有限精彩！