新版Tensorflow 1.2RC0出爐，能get到哪些？

GIF/1.7M

Tensorflow最近發布了一個具有高級API的新版本。

大家都知道，在於2017年5月17日至19日召開的年度開發者大會——Google I / O 大會上，新版本Tensorflow1.2RC0得以發布，它突破了很多挑戰，通過其高級API將AI研究帶入到另一個階層。

而從此次大會的一小段視頻里，我檢索到一些最為相關的元素，下面將與你分享。

（註：這些功能僅適用於12RC0 +版本的Tensorflow，在標題中會有原始視頻鏈接。）

非專業的高效TENSORFLOW

我們現在有一套先進的方法，可以輕鬆執行、訓練、評估、預測和保存模型。（點擊觀看視頻）

·新的批處理功能：在視頻的08mn，15s會有所展示。

·新的實驗功能（17mn，00s）：允許在訓練過程中像交叉驗證（Cross Validation）一樣自動嘗試很多值，並選擇最佳參數。

·設置集群：github.com/tensorflow/ecosystem

·完整的實現代碼示例如下：goo.gl/0OgXiL

新型Tensorflow 1.2rc0型號

·使用Tensorflow的新視頻處理（27mn，06s）。新的視頻API可以輕鬆地進行視頻分析，例如視頻問答，即詢問有關視頻的問題，並自動得到正確答案。

新的Tensorflow 1.2rc0視頻API架構

它將視頻幀轉換為矢量，用pre-trained表示，允許在視頻的任何序列（時間）中進行訪問從而進行分析和回答。

新的Tensorflow 1.2rc0視頻API張量體系結構

那麼該怎樣進行編碼呢？可以觀看視頻的第34分鐘所顯示的示例，如下所示。

你可以下載最新版本的TensorFlow，網址鏈接：

https://pypi.python.org/pypi/tensorflow#downloads

### EXAMPLE OF VIDEO-QA IMPLEMENTATION WITH TENSORFLOW 1.2RC0

from __future__ import print_function

import matplotlib.pyplot as plt

import matplotlib.gridspec as gridspec

import numpy as np

import tensorflow as tf

print("tf.__version__ : ", tf.__version__)

from tensorflow import keras

from tensorflow.keras import layers

from tensorflow.keras.applications import InceptionV3

### Turning frames into a vector, with pre-trained representations

video = keras.Input(shape=(None, 150, 150, 3), name="video")

cnn = InceptionV3(weights="imagenet",

include_top=False,

pooling="avg")

cnn.trainable = False

frame_features = layers.TimeDistributed(cnn)(video)

video_vector = layers.LSTM(256)(frame_features)

### Turning a sequence of words into a vector

question = keras.Input(shape=(None, ), dtype="int32", name="question")

embedded_words = layers.Embedding(input_voc_size, 256)(question)

question_vector = layers.LSTM(128)(embedded_words)

### Predicting an answer word

x = layers.concatenate([video_vector, question_vector])

predictions = layers.dense(output_voc_size, name="predictions")(x)

### Setting up the training configuration

model = keras.models.Model([video, question], predictions)

model.compile(optimizer=tf.AdamOptimizer(),

loss=tf.softmax_crossentropy_with_logits)

### Leveraging Experiment for distributed training

def experiment_fn(config, params):

model = ...

estimator = model.get_estimator(config=...)

return Experiment(estimator,

train_input_fn=pandas_input_fn(...),

eval_input_fn=pandas_input_fn(...))

if __name__ == "__main__":

在Tensorflow參與下的研究到生產

憑藉新版的Tensorflow工具，研究人員可以輕鬆地將其實施轉變為生產：

·低延遲的在線問題答疑

·在單個過程中提供多種模型和版本：現在你不需要關心你的模型（庫，二進位，inference API，CPU-GPU-TPU，Mobile等），它們將以相同的方式得到服務。即在訓練機器學習模型的應用方式。

·通過非同步到達的請求實現小批量批處理的效率。

我們可以通過下面的一些資源和教程來執行。

·項目主頁：tensorflow.github.io/serving/

·K8s：tensorflow.github.io/serving/serving_inception.html

·Cloud ML：cloud.google.com/ml/

·棧溢出：#tensorflow

開源Tensorflow模型

在這裡，你可以找到很多執行操作的示例，包括Tensorflow的新Keras分支，當然還有一些預訓練的模型可供研究人員和其他任何人免費使用。

Tensorflow Keras代碼示例

Keras-tensorflow-workshop

Codelabs

1.tensorflow圖像分類

2.在Android應用程序上部署自定義Tensorflow圖像識別模型

3.Josh Gordon的機器學習方法

有關tensorflow的共享研究

2.Sequence to Sequence：在TensorFlow（tf-seq2seq）中的新的開源序Sequence to Sequence框架，具有乾淨和模塊化的代碼庫，完整的測試覆蓋其所有功能的維護和記錄。

3.改進Inception：改進TensorFlow中的Inception和圖像分類。

4.Parsey Saurus（在Tensorflow中對SyntaxNet的預訓練模型進行了一系列新的升級）：用於分析和理解句子語法結構的神經網路框架。一系列40多種語言的預訓練模型，它克服了構建適用於英語以外語言的機器學習系統的挑戰。

正如我們現在在Tensorflow框架上有了這麼多有益的改進一樣，對於任何人來說，無論他的特定領域是什麼，都可以輕鬆地將其用於應用研究和部署。這真是太棒了！

來源：Medium

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！