一个月的变迁，从TensorFlow看谷歌的AI发展
Posted AI大事件
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了一个月的变迁，从TensorFlow看谷歌的AI发展相关的知识，希望对你有一定的参考价值。
2015 年 11 月 9 日，作为 Google Brain 的第二代机器学习系统的 TensorFlow 作为开源软件发布，TensorFlow 可以运行在多个 CPU 和 GPU（和可选的 CUDA 扩展）。它运行在 64 位 Linux 或 macOS 桌面或服务器系统，以及在移动计算平台上，包括 android 和 ios。
不少技术团队正在使用 TensorFlow 进行研究和生产。
TensorFlow 的名字来源于这类神经网络对多维数组执行的操作。这些多维数组被称为“张量”，但这个概念并不等同于张量的数学概念。其目的是训练神经网络检测和识别模式和相互关系。
从诞生至今，已经有两年多的时间。谷歌在 TensorFlow 身上没少下功夫，不仅为它制作了专用集成电路 TPU（张量处理单元），还为它移植了可在移动端使用的 TensorFlow Lite，总而言之，谷歌恨不得将所有新的 AI 技术都放在它的身上。
那么，短短一个月的时间里，TensorFlow 都发生了哪些变化？要回答这个问题，我们需要把时间往回调一调。
时间回到上个月的 18 日，谷歌 I/O 大会召开。
在会上，谷歌宣布创建了第二代 TPU 芯片“云 TPU（Cloud TPU）”，它以谷歌的开源机器学习框架 TensorFlow 的名义命名, 主要是用于训练和运行机器学习模型。Cloud TPU 可以处理高达 180 万亿次浮点运算，谷歌大脑负责人 Jeff Dean 表示，这个速率能够将机器学习训练所花费的时间，从几个星期缩减到几天甚至几个小时。Pichai 还公布了机器学习超级计算机 Cloud TPU Pod，将 64 个 Cloud TPU 组合在一起 ，能够带来 11.5 petaflops 的超级计算能力。
之后的 5 月 23 日，中国乌镇围棋峰会召开，再次打响“人机围棋大战”。
在柯洁 0：3 负于 AlphaGo 之后，谷歌的技术专家在 24 日的 AI 论坛上对升级版的 AlphaGo 进行解密，TensorFlow 对于 AlphaGo 来说更多的是底层支撑技术，主要的作用是让这个系统运转更加的流畅、速度更快。除了算法上的改进之外，谷歌云和 TPU（向量处理单元）等计算资源上的改进对 AlphaGo 起到了巨大提升作用。
“对战柯洁的 AlphaGo Master 使用更加有效的算法，所需的计算量是 AlphaGo 的 1/10。AlphaGo Master 使用谷歌云提供的 4 块 TPU 单机，你可以把它当做是一台计算机。” TPU 正是 AlphaGo 背后的秘密武器。
除了让人惊艳的 TPU，TensorFlow 对于 AlphaGo 的底层支持和速度的提升也起到了至关重要的作用，谷歌再次让世界看到：能够撑得起 AlphaGo 的运转，TensorFlow 的实力不容小觑。
2017 年 6 月 14 日，谷歌宣布发布 MobileNets。
这是一款用于 TensorFlow 的移动终端计算机视觉模型系列，旨在有效地最大限度地提高准确性，同时注意设备或嵌入式应用程序的受限资源。MobileNets 是小型，低延迟，低功耗模型参数化，以满足各种用例的资源限制。它们可以建立在分类，检测，嵌入和分段上，类似于其他流行的大型模型，如初始化。
2017 年 6 月 16 日，谷歌发布 TensorFlow1.2.0，带来了 14 个全新的功能。
在 Windows 上支持 Python3.6、将其 TensorFlow C 的数据库开源给 Windows 使用者等等。种种更新和弃用让 TensorFlow 的性能更进一步，也为它的使用者提供了更多的便利。
https://github.com/tensorflow/tensorflow/releases
2017 年 6 月 19 日，Google 发布 TensorFlow 物体检测 API，帮助开发人员和研究人员识别图片中的物体。Google 专注于提高 API 的易用性和性能，新的模型于 6 月 16 号发布，在基准测试中表现出良好的性能，并已经开始应用于研究工作当中。
物体检测 API 包含了高度依赖 Inception 的卷积神经网络和简化模型，这些模型可以运行在简单的机器上。比如，MobileNets 单次检测器经过优化，能够以实时的方式运行在智能手机上。
从一个月前 I/O 大会上惊艳出世的 TPU2，再到中国乌镇 AlphaGo 的底层架构，谷歌或明或暗地，屡屡让 TensorFlow 出现在大众的视野；从国内到国外，TensorFlow 亦是成为了世界主流深度学习框架之一，谷歌的决心不言自明：让 TensorFlow 成为最好的开源框架。
但是，光有决心似乎是不够的，TensorFlow 从诞生到今天，一路上遇到了不少的艰难险阻，有两个不得不提的对手：英伟达和微软。
不久之前，国外有人发布过一篇微软 CNTK2.0 对决 TensorFlow 的内容，原文章链接如下：
http://minimaxir.com/2017/06/keras-cntk/
虽然在不同的测试环境当中，二者的表现各有千秋，但是综合看来，TensorFlow 也并没有占到什么太强的优势，是微软的 CNTK2.0 进步太快还是 TensorFlow 没有什么长进，恐怕只有两大公司的开发者最清楚了。当然，这仅仅是在一种条件下的测试，也许不能说明太多问题，但是我们可以看到，TensorFlow 离最好用的框架还有一段距离。
至于英伟达，因为有大量机器学习的需求，谷歌一直是英伟达 GPU 的一个非常大的（也许是最大的）客户，几乎所有的谷歌和其它人的神经网络训练都是用的英伟达 GPU。
然而，为了自家的 TensorFlow，2016 年 6 月，谷歌推出了 TPU，又在一年后的 I/0 大会上宣布 TPU2.0 的消息，同时宣布推出的包含 1000 TPU （4000 Cloud TPU 芯片）的超级计算机 TensorFlow Research Cloud，提供 180 PetaFlops（约 16 位 FLOP）的计算能力，将免费提供给合格的研究团队。此外，谷歌的超级计算机的设计 仅支持谷歌自己的开源 TensorFlow 机器学习框架和生态系统。
相对英伟达的 GPU，谷歌有了 TPU，相对英伟达的 Saturn V 超级计算机，谷歌有了 TensorFlow Research Cloud。谷歌似乎在步步紧逼近年来上升势头的英伟达。
就在所有人都认为谷歌的势头能压倒英伟达的时候，Volta 芯片的出现，再次让英伟达占到了上风，它不仅仅是一个深度学习 ASIC，还支持用于科学应用的 32 位和 64 位浮点数以及大规模超级计算机所需的错误纠正内存。有人说：Volta 芯片可以说是世界上最快的图形芯片。
谷歌 Cloud TPU 会对英伟达产生影响，但至少在短期内，由于以上讨论到的限制，谷歌对英伟达的影响可能会比想象的要低。
竞争中发展的谷歌将会面对更多困难，而这种竞争的获益者将会是广大开发者和科技的受用者们，可以预见的是：TensorFlow 相关的软硬件发展将会是谷歌工作的重点，而 TensorFlow 也一定会变得更加方便易用。也许谷歌不算是最好的 AI 科技公司，但是，我们有理由相信，不仅仅是谷歌，任何一家科技公司都将会在 AI 发展竞争的大潮中变得更好。
参考资料：
1.https://zh.wikipedia.org/wiki/TensorFlow
2.https://github.com/tensorflow/models/tree/master/object_detection
3.https://techcrunch.com/2017/05/17/googles-tensorflow-lite-brings-machine-learning-to-android-devices/
4.https://research.googleblog.com/2017/06/supercharge-your-computer-vision-models.html
5.https://research.googleblog.com/2017/06/mobilenets-open-source-models-for.html
为了方便专业技术人员交流，为了解决技术方面的难题，更为了推动 AI 技术的传播与发展，我们在此为大家建立了一个专业的 AI 技术交流群：AI 前线 1 号线。
参加专家群分享，学习技术大咖的专业技术；
进行技术讨论，互相交流，让技术流动起来；
传播专业知识，让更多人了解并学习 AI 的知识。
扫描下方二维码，关注 AI 前线公众账号，点击自动回复中的链接，按照提示进行就可以啦！
AI 前线 1 号线，期待你的加入！
以上是关于一个月的变迁，从TensorFlow看谷歌的AI发展的主要内容，如果未能解决你的问题，请参考以下文章
超频报道：TensorFlow会成为Google在AI时代的新「安卓系统」吗？
新手向TensorFlow 安装教程：RK3399上运行谷歌人工智能
新手向TensorFlow 安装教程：RK3399上运行谷歌人工智能