Semula diposting oleh Sandeep Gupta, Product Manager for TensorFlow, atas nama tim TensorFlow pada Blog TensorFlow.
Pada tanggal 30 Maret, kami mengadakan TensorFlow Developer Summit yang kedua di Computer History Museum di Mountain View, CA! Event ini mempertemukan lebih dari 500 pengguna TensorFlow secara langsung dan ribuan lainnya yang melakukan streaming langsung event TensorFlow di seluruh dunia. Hari itu diisi dengan pengumuman produk baru beserta pembicaraan teknis dari tim TensorFlow dan pembicara tamu. Inilah highlight dari event tersebut:

Machine learning memecahkan masalah menantang yang memengaruhi semua orang di seluruh dunia. Masalah yang kami pikir tidak mungkin atau terlalu rumit dipecahkan sekarang bisa dicari solusinya dengan teknologi ini. Menggunakan TensorFlow, kami melihat kemajuan besar dalam berbagai bidang. Misalnya:

Kami senang sekali melihat penggunaan TensorFlow yang luar biasa ini dan berkomitmen agar TensorFlow bisa diakses oleh lebih banyak developer. Inilah mengapa kami senang mengumumkan update baru untuk TensorFlow yang akan membantu meningkatkan pengalaman developer!

Kami membuat TensorFlow lebih mudah digunakan


Peneliti dan developer menginginkan cara yang lebih mudah dalam menggunakan TensorFlow. Kami mengintegrasikan model pemrograman yang lebih intuitif untuk developer Python yang disebut eager execution yang menghilangkan perbedaan antara pembangunan dan eksekusi dari grafik komputasional. Anda bisa mengembangkan dengan eager execution kemudian menggunakan kode yang sama untuk menghasilkan grafik yang setara untuk pelatihan pada skala menggunakan API tingkat tinggi Estimator. Kami juga mengumumkan metode baru untuk menjalankan model Estimator pada beberapa GPU dalam satu mesin. Ini memungkinkan developer untuk dengan cepat menskalakan model mereka dengan sedikit perubahan kode.

Karena model machine learning semakin banyak dan kompleks, kami ingin memudahkan developer untuk berbagi, menggunakan kembali, dan mendebugnya. Untuk membantu developer berbagi dan menggunakan kembali model, kami mengumumkan TensorFlow Hub, library yang dibangun untuk mendorong publikasi dan penemuan modul (potongan mandiri grafik TensorFlow) yang bisa digunakan kembali di tugas yang serupa. Modul berisi bobot yang telah dilatih sebelumnya pada kumpulan data besar, dan dapat dilatih ulang serta digunakan dalam aplikasi Anda sendiri. Dengan menggunakan kembali modul, developer bisa melatih model menggunakan kumpulan data yang lebih kecil, meningkatkan generalisasi, atau mempercepat pelatihan. Untuk membuat proses debug model lebih mudah, kami juga merilis plugin debugger grafik interaktif baru sebagai bagian dari fitur visualisasi TensorBoard yang membantu Anda memeriksa dan menjelajahi node internal grafik komputasi secara real-time.

Pelatihan model hanyalah salah satu bagian dari proses machine learning dan developer membutuhkan solusi yang bekerja secara menyeluruh untuk membangun sistem ML sesungguhnya. Menuju ke sini, kami mengumumkan peta jalan untuk TensorFlow Extended (TFX) bersama dengan peluncuran TensorFlow Model Analysis, sebuah library open-source yang menggabungkan kekuatan TensorFlow dan Apache Beam untuk menghitung dan memvisualisasikan metrik evaluasi. Komponen TFX yang telah dirilis sejauh ini (termasuk TensorFlow Model Analysis, TensorFlow Transform, Estimators, dan TensorFlow Serving) terintegrasi dengan baik dan memungkinkan developer menyiapkan data, melatih, memvalidasi, dan menerapkan model TensorFlow dalam produksi.

TensorFlow tersedia dalam lebih banyak bahasa dan platform


Selain membuat TensorFlow lebih mudah digunakan, kami mengumumkan bahwa developer bisa menggunakan TensorFlow dalam bahasa baru. TensorFlow.js adalah framework ML baru untuk developer JavaScript. Machine learning di browser menggunakan TensorFlow.js membuka kemungkinan baru yang menarik, termasuk ML interaktif dan dukungan untuk skenario di mana semua data tetap client-side. Ini bisa digunakan untuk membangun dan melatih modul seluruhnya dalam browser, serta mengimpor model TensorFlow dan Keras yang dilatih offline untuk inferensi menggunakan akselerasi WebGL. Game Emoji Scavenger Hunt adalah contoh menarik dari aplikasi yang dibangun menggunakan TensorFlow.js.

Kami juga memiliki beberapa berita menarik untuk para programmer Swift: TensorFlow for Swift akan dibuat open source bulan April ini. TensorFlow for Swift bukanlah pengikat bahasa khusus Anda untuk TensorFlow. Ia mengintegrasikan dukungan bahasa dan compiler kelas wahid, menyediakan kekuatan penuh grafik dengan kegunaan eager execution. Project ini masih dalam pengembangan, dengan lebih banyak update segera hadir!

Kami juga membagikan update terbaru untuk TensorFlow Lite, solusi lintas platform yang ringan dari TensorFlow untuk menerapkan model ML terlatih pada perangkat seluler dan perangkat tepi lainnya. Selain dukungan untuk Android dan iOS, kami mengumumkan dukungan untuk Raspberry Pi, peningkatan dukungan untuk operasi/model (termasuk operasi khusus), dan menjelaskan bagaimana developer bisa dengan mudah menggunakan TensorFlow Lite dalam aplikasi mereka sendiri. Interpreter inti TensorFlow Lite sekarang hanya berukuran 75KB (vs 1,1 MB untuk TensorFlow) dan kami melihat peningkatan hingga 3 kali lipat ketika menjalankan model klasifikasi gambar terkuantisasi pada TensorFlow Lite vs. TensorFlow.

Untuk dukungan hardware, TensorFlow sekarang terintegrasi dengan TensorRT NVIDIA. TensorRT adalah library yang mengoptimalkan model deep learning untuk inferensi dan menciptakan runtime guna penerapan pada GPU dalam lingkungan produksi. Hal ini membawa sejumlah optimalisasi ke TensorFlow dan secara otomatis memilih kernel tertentu platform untuk memaksimalkan throughput dan meminimalkan latensi selama inferensi pada GPU.

Bagi pengguna yang menjalankan TensorFlow pada CPU, kemitraan kami dengan Intel menghadirkan integrasi dengan library open source Intel MKL-DNN yang sangat dioptimalkan untuk deep learning. Ketika menggunakan Intel MKL-DNN, kami mengamati percepatan inferensi hingga 3 kali lipat pada berbagai platform Intel CPU.

Daftar platform yang menjalankan TensorFlow terus bertambah termasuk Cloud TPU, yang dirilis dalam versi beta bulan lalu. Tim Google Cloud TPU telah memberikan peningkatan kinerja 1.6X yang kuat dalam kinerja ResNet-50 sejak diluncurkan. Penyempurnaan ini akan tersedia untuk pengguna TensorFlow bersama dengan rilis 1.8.

Mengaktifkan aplikasi dan domain baru menggunakan TensorFlow


Banyak masalah analisis data diselesaikan dengan menggunakan metode statistik dan probabilistik. Selain model deep learning dan neural network, TensorFlow kini menyediakan metode termutakhir untuk analisis Bayesian melalui TensorFlow Probability API. Library ini berisi blok pembangun seperti distribusi probabilitas, metode sampling, serta kehilangan dan metrik baru. Banyak metode ML klasik lain juga meningkatkan dukungan. Sebagai contoh, pohon keputusan yang ditingkatkan bisa dengan mudah dilatih dan diterapkan menggunakan class tingkat atas yang sudah dibuat sebelumnya.

Machine learning dan TensorFlow telah membantu menyelesaikan masalah yang menantang dalam berbagai bidang. Area lain di mana kami melihat TensorFlow memiliki dampak besar adalah dalam genomik, itulah sebabnya kami merilis Nucleus, library untuk membaca, menulis, dan memfilter format file genomik umum untuk digunakan dalam TensorFlow. Ini, bersama dengan DeepVariant, fitur open-source berbasis TensorFlow untuk penemuan varian genome, akan membantu mendorong penelitian dan kemajuan baru dalam genomik.

Memperluas sumber daya dan interaksi komunitas


Update untuk TensorFlow ini bertujuan untuk memberikan manfaat dan menumbuhkan komunitas pengguna dan kontributor - ribuan orang yang berperan dalam membuat TensorFlow salah satu framework ML paling populer di dunia. Untuk terus berinteraksi dengan komunitas dan selalu update dengan perkembangan TensorFlow, kami telah meluncurkan blog TensorFlow dan saluran YouTube TensorFlow resmi yang baru. Kami juga mempermudah komunitas untuk berkolaborasi dengan meluncurkan milis baru dan Special Interest Groups yang dirancang untuk mendukung karya open-source pada project-project tertentu. Untuk melihat bagaimana Anda bisa menjadi bagian dari komunitas, kunjungi halaman Komunitas TensorFlow dan seperti biasa, Anda dapat mengikuti TensorFlow di Twitter untuk berita terbaru.

Kami sangat berterima kasih kepada semua orang yang telah membantu membuat TensorFlow menjadi framework ML yang sukses dalam dua tahun terakhir. Terima kasih telah hadir, terima kasih telah menonton, dan ingat untuk menggunakan #MadeWithTensorFlow untuk berbagi mengenai bagaimana cara Anda memecahkan masalah yang berdampak dan menantang dengan machine learning dan TensorFlow!