Google机器学习：全套开发工具任你使用

机器之心报道

编辑：泽南

上周，Google 开发者大会重聚线下。

自从十年前吴恩达、Quoc Le 等人发表「识别猫」论文，引发技术革命之后，Google 一直引领着机器学习的风向，这家公司举办的开发者大会总会受到人们额外的关注。

9 月 14 日到 15 日，Google 开发者大会在上海举行。在这场活动中，Google 围绕自身在科技领域的最新技术，介绍了跨平台技术、隐私保护、机器学习、XR 等技术，以及与很多合作伙伴的最新落地成果。

在机器学习领域里，TensorFlow 作为最流行的框架一直被人们所熟知，最近它刚刚进化到 2.10 版。在开发者大会上，Google 介绍了开源机器学习生态体系 Tensor Projects 的概念。

机器学习是一个利用已知数据来训练推理模型的过程，经过训练的模型可以在前所未见的数据上作出有效预测，完成从图像识别、语音到自然语言处理等多种任务。打造领先的机器学习框架的过程正是为了做到这一点。谷歌希望通过 TensorFlow 框架提供的能力，为世界带来更多启发和灵感。

在 2016 年，谷歌开源了 TensorFlow，那时的业界情况和目前大不相同——当时真正称得上掌握机器学习技术的人大约只有几千人，而今天这个数字已经增长到了上百万，未来还会更多。

在 Tensor Projects 的用户中，既有专注于科技领域的，也有把机器学习作为辅助工具攻克其他领域研究的，不过在很多情况下，这些受众都有相似的需求。随着机器学习人才数量的增加，开发工具也需要向前发展。

「在 2021 年全球有 2430 万名软件开发者，这一数字在 2030 年预计将达到 4500 万人，」谷歌 TensorFlow 技术推广工程师魏巍说道。「其中大多数人并不会以机器学习为全职工作，大约有 1/4 会在开发过程中使用机器学习，一部分核心工作包括训练、部署和管理机器学习模型。他们会打造出很多现在无法想象的实用功能，比如在手机上给照片智能抹除不想要内容的功能。」

机器学习也在不断发展，前沿的研究最近又为我们带来了 AlphaFold 等重大突破。为了促进这些目标，这些年谷歌一直在致力于打造机器学习框架、库、基础设施、反例和教程，也掌握了从零开始打造机器学习应用的丰富经验。

如今，TensorFlow 技术本身已经包含数据、建模、部署到维护的全流程，在这之下还有专用的加速基础设施可以优化整个生命周期，实现了从业余爱好者到研究人员都适用的免费开源产品生态。

Tensor Projects 作为谷歌机器学习的生态，其中包含了不同的技术产品。例如，在构建模型的时候，Keras 可以帮你用简洁的方法构建模型，它被认为是更适用于初学者的开发工具。Google 表示，现在人们使用 TensorFlow Light Model Maker 可以解决创造移动端模型时面临的很多复杂任务。

「制作 App 或网站时你需要集成模型，我们打造了 task 库帮助人们使用模型。Model Maker 和 Task 库目前都已经支持端侧大规模近邻搜索，可以在几毫秒内在百万数据中找出近似的图片、文字或音频，所有的一切都可以发生在手机上。」魏巍表示。

JAX 是 Google Research 团队开发的高性能机器学习库，拥有和 NumPy 相似的 API 接口，并使用 XLA 编译器来进行模型加速。很多研究者对其寄予厚望，希望它可以取代 TensorFlow 成为新一代流行深度学习框架。

在谷歌，JAX 被定义为前沿研究使用的机器学习框架，TensorFlow 则是应用时使用的框架。据介绍，DeepMind 就曾使用 JAX 开发了 AlphaFold 来解决蛋白质折叠问题，从而精准预测蛋白质结构。

JAX 针对谷歌的基础设施专门优化了数学计算，目前这套基础设施已经开放给了所有开发者使用。开发者们可以在 TensorFlow 上简单修改几行代码，即可接入谷歌 TPU 的算力。

Google 也发展了算法部署的工具。如今在模型部署时，你可以使用 TensorFlow Extended （TFX）把模型部署到所有位置：从云端到网页服务器、浏览器、嵌入式系统等等。但与此同时，我们需要修复 bug，处理新的数据，保证模型输出负责任的结果。TensorFlow Extended （TFX）让模型的持续训练成为了可能：它可以帮助你更深入地理解模型性能，你可以用 TFX 训练多端模型，随时接入 Colab。

最近一段时间，人们对于可信机器学习重视程度越来越高，当你打造负责任的机器学习模型时，模型卡片可以提供透明度，现在 TFX 也可以自动生成模型卡片了。

TFX 上一个受欢迎的组件是 TensorFlow Serving，它可以帮助把模型部署到服务器上，然后远程调用。谷歌最近已经发布了四个新的 Learning Pathways，帮助大家学习如何从安卓、Flutter、Web 端来调用 TensorFlow 的接口，完成模型推理。

谷歌也发布了两个新的 Colab 来帮助开发者学习 TensorFlow Recommenders 和 TensorFlow Agents 来打造基于机器学习的全栈跨平台 App，

目前，TensorFlow Lite 运行库已经被集成进 Google Play Service，这意味着用户可以一直使用最新版本的 TensorFlow Lite。很多应用目前已经在使用 Google Service 中的 TensorFlow Lite，每个月有超过 4 亿用户，完成 200 亿次推理。

Google 也在帮助更多开发者，降低机器学习的应用门槛。

谷歌提出了 MediaPipe，希望能为开发者提供高度可定制化的设备端机器学习解决方案。其技术已在 Google Meet 在线会议的背景模糊，Nest 的人员移动检测、包裹递送通知、收拾识别，YouTube 的虚拟试妆等功能上得到了应用。支持多模型，多硬件加速，跨平台的机器学习任务。

在大会现场，Google 向我们展示了 MediaPipe 在骨骼绑定、动作和手势识别等计算机视觉任务上的能力，只需本地 GPU 和摄像头，算法就可以实时探测出面前人们的各种动作。

MediaPipe 将复杂的机器学习流水线都封装成为 Task，方便开发者用最简单的方式定制模型。在未来，设备端机器学习技术的调用将简化到仅需几行代码，甚至无需代码。谷歌下一步的计划，是把 MediaPipe 从视觉拓展到语音识别和自然语言处理领域。

在机器学习社区里，谷歌的官方机器学习教程一直被受到欢迎，继推出《TensorFlow 入门实操课程》后，TensorFlow 团队最近携手网易有道在 Mooc 平台上面向对部署领域感兴趣的开发者推出了专题课程：《 TensorFlow 入门课程 - 部署篇 》，同时也推出了中文版的《开发者在线课程》。

Google 提供的工具为人们提供了丰富的选择，不论科研还是生产，在做下个机器学习项目时，你肯定还会先试一下用 TensorFlow 该怎么做。