新版TensorFlow又立flag！团队明确承诺100向后

　　编辑：LRS【新智元导读】TensorFlow承诺新版将对接口等问题做出重大调整，再信他一回？
　　在TensorFlow和PyTorch之间，你选择谁？
　　炼丹师们想必都被TF折磨过，静态图、依赖问题、莫名其妙的改接口，即便是谷歌发布了TF2。0之后依然没有解决问题。在万般无奈下转投PyTorch后，世界都变晴了。
　　人生苦短，我用PyTorch
　　甚至从谷歌开始着手宣发新一代计算框架JAX来看，似乎官方都对TF有点放弃的意思了，TensorFlow距离坟墓只有半步之遥。
　　赶在TF七岁生日之前，TensorFlow的开发团队发布了一个博客，宣布TensorFlow将会继续开发，并且将会在2023年发布全新版本，对接口的脏、乱、差情况进行整改，并承诺100向后兼容！
　　TensorFlow战未来
　　大约七年前，也就是2015年11月9日，TensorFlow正式开源。
　　也是从那时起，成千上万的开源贡献者和社区内的谷歌开发专家、社区组织者、研究人员和全球教育家都投入到TensorFlow的开发上。
　　七年后的今天，TensorFlow已然是最常用的机器学习平台，数以百万计的开发人员都在用。
　　TF是gitHub上排名第三的软件资源库（仅次于Vue和React），也是PyPI上下载次数最多的机器学习软件包。
　　TF还将机器学习带入了移动生态系统：TFLite运行在40亿台设备。
　　TensorFlow也把机器学习带到了浏览器中：TensorFlow。js的下载次数为每周17万次。
　　在谷歌的产品系列中，TensorFlow几乎为所有的生产机器学习提供支持，包括搜索、GMail、YouTube、地图、Play、广告、照片等等。
　　除了谷歌以外，在Alphabet旗下的其他子公司中，TensorFlow和Keras也为Waymo的自动驾驶汽车提供了机器智能的基础。
　　在更广泛的行业中，TensorFlow为数千家公司的机器学习系统提供动力，其中包括世界上大多数最大的机器学习用户苹果、字节跳动、Netflix、腾讯、Twitter等等。
　　在研究领域，每个月，GoogleScholar都会收录超过3000篇新的科学文献中提到TensorFlow或Keras
　　TF走到今天，其用户基础和开发者生态系统比以往任何时候都更大，并且还在不断增长！
　　TensorFlow的发展不仅是一个值得庆祝的成就，而且是一个机会，可以进一步为机器学习社区提供更多的价值。
　　开发团队的目标是提供地球上最好的机器学习平台，并努力将机器学习从一个小众行业转变为像Web开发一样成熟的产业。
　　为了实现这一目标，开发团队愿意倾听用户的需求，预测新的行业趋势，迭代软件的接口，并努力使大规模创新变得越来越容易。
　　机器学习正在迅速发展，TensorFlow也是如此。
　　开发团队已经开始研究TensorFlow的下一个迭代版本，将支持下一个十年的机器学习开发，一起战未来！
　　TensorFlow的四大支柱
　　快速且可扩展：XLA编译、分布式计算、性能优化
　　TF将专注于XLA的编译，在TPU性能优势的基础上，使大多数模型的训练和推理工作流程在GPU和CPU上更快。开发团队希望XLA成为深度学习编译器的行业标准，并且作为OpenXLA计划的一部分，目前已开源。
　　同时团队也开始研究可用于大规模模型并行的新接口DTensor，可能会开启超大型模型训练和部署的未来。用户开发大模型时，即便同时使用多个客户端，感知上也像在单机上训练一样。
　　DTensor将会与tf。distribution的接口进行统一，支持灵活的模型和数据并行。
　　开发团队还将进一步研究算法性能优化技术，如混合精度和降低精度的计算，可以提供相当大的GPU和TPU的速度提升。
　　应用机器学习
　　为计算机视觉和自然语言处理领域提供新工具。
　　团队正在研究的应用机器学习生态系统，特别是通过KerasCV和KerasNLP软件包为应用CV和NLP用例提供模块化和可组合的组件，包括大量最先进的预训练模型。
　　对于开发者来说，团队也将为流行的和新兴的应用机器学习用例添加更多的代码示例、指南和文档，最终目标是逐步减少机器学习的行业壁垒，并将其转变为每个开发人员手中的工具。
　　更容易部署
　　开发者将会容易导出模型，比如导出到移动设备（Android或iOS）、边缘设备（微控制器）、服务器后端或JavaScript会变得更加简单。
　　未来，将模型导出到TFLite和TF。js并优化其推理性能就像调用mod。export（）一样简单。
　　同时，团队也在开发用于本机服务端推理的公共TF2C接口，可以直接作为C程序的一部分。
　　不管你是用JAX和TensorFlowServing开发的模型，还是使用TensorFlowLite和TensorFlow。js开发的移动和Web模型，都将会变得更容易部署。
　　更简单
　　随着机器学习领域在过去几年的扩张，TensorFlow的接口也越来越多，而且并不总是以一致或简单易懂的方式呈现。
　　开发团队正在积极地整合和简化这些API，比如对数字采用NumPyAPI标准等。
　　模型的调试也是一个需要考虑的问题，优秀的框架不仅仅是它的API接口设计，也包括调试体验。
　　团队的目标是通过更好的调试能力，最大限度地缩短开发任何应用机器学习系统的解决时间。
　　承诺：100向后兼容
　　开发团队希望TensorFlow成为机器学习行业的基石，所以API的稳定性也是最重要的特性。
　　作为一个依赖TensorFlow作为产品一部分的工程师，作为一个TensorFlow生态系统包的构建者，你可以升级到最新的TensorFlow版本，并立即享受新功能和性能所带来的改进，而无需担心现有的代码库可能会崩溃。
　　因此，开发团队承诺从TensorFlow2到下一个版本完全向后兼容性。
　　TensorFlow2代码可以按原样运行，无需进行代码转换，也不需要进行手动更改。
　　团队计划在2023年第二季度发布TensorFlow新功能的预览版，并将在今年晚些时候发布产品版本。
　　参考资料：
　　https：blog。tensorflow。org202210buildingthefutureoftensorflow。html