2015 年，谷歌大腦開放了一個名為「TensorFlow」的研究項目，這款產(chǎn)品迅速流行起來，成為人工智能業(yè)界的主流深度學習框架，塑造了現(xiàn)代機器學習的生態(tài)系統(tǒng)。從那時起，成千上萬的開源貢獻者以及眾多的開發(fā)人員、社區(qū)組織者、研究人員和教育工作者等都投入到這一開源軟件庫上。

然而七年后的今天，故事的走向已經(jīng)完全不同：谷歌的 TensorFlow 失去了開發(fā)者的擁護。因為 TensorFlow 用戶已經(jīng)開始轉(zhuǎn)向 Meta 推出的另一款框架 PyTorch。

眾多開發(fā)者都認為 TensorFlow 已經(jīng)輸?shù)袅诉@場戰(zhàn)爭，并將其比喻為：「PyTorch 吃掉了 TensorFlow 的午餐。」

在 PyTorch 的陰影下，谷歌正在悄悄地開發(fā)一個機器學習框架，就是 JAX（曾是「Just After eXecution」的首字母縮寫，但官方說法中不再代表任何東西），許多人將其視為 TensorFlow 的繼承者。

一時之間，關于谷歌要放棄 TensorFlow，全面轉(zhuǎn)向 JAX 的說法鬧得人盡皆知。其實不然，谷歌并沒有放棄 TensorFlow，他們表示未來 TensorFlow 將與 JAX 并肩發(fā)展。

不過話說回來，在這短短的七年中，TensorFlow 已經(jīng)有了亮眼的表現(xiàn)，已然發(fā)展成為最常用的機器學習平臺，使用人數(shù)達數(shù)百萬。TensorFlow 現(xiàn)在每月被下載超過 18M 次，在 GitHub 上積累了 166k 顆星——比任何其他 ML 框架都多。

此外，TensorFlow 還為在移動生態(tài)系統(tǒng)上進行機器學習帶來了便利：目前 TFLite 在大約 40 億臺設備上運行，也許你的設備也包含在內(nèi)。TensorFlow 還將機器學習引入 Web，TensorFlow.js 現(xiàn)在每周下載量超 17 萬次。

在谷歌的整個產(chǎn)品系列中，TensorFlow 幾乎為所有機器學習提供支持，包括搜索、GMail、YouTube、Maps 、Play、廣告、照片等等。除了谷歌，在 Alphabet 旗下的子公司，TensorFlow 連同 Keras 為 Waymo 自動駕駛汽車提供了新的機器智能。

在更廣泛的行業(yè)中，TensorFlow 為數(shù)千家公司的機器學習系統(tǒng)提供支持，其中包括蘋果、ByteDance、Netflix、騰訊、Twitter 等公司。研究領域，在 Google Scholar 上每個月都有超過 3000 篇出版物提到 TensorFlow，包括重要的應用科學研究，比如了解癌癥的 CANDLE 研究。

毫不夸張的說，TensorFlow 基礎用戶和開發(fā)者生態(tài)比以往任何時候都要多，而且還在不斷增長。谷歌認為 TensorFlow 的發(fā)展不僅是一項值得慶祝的成就，它也為機器學習社區(qū)走得更遠提供了新的機會。

谷歌一直以來奉行的目標是提供最好的機器學習平臺，并努力將機器學習從小眾工藝轉(zhuǎn)變?yōu)橄?Web 開發(fā)一樣成熟的行業(yè)軟件。

谷歌對 TensorFlow 的開發(fā)還將繼續(xù)，走過了 7 年，還會有下個 7 年。

TensorFlow 未來四大支柱

近日，谷歌宣布他們已經(jīng)著手開發(fā) TensorFlow 的下一個迭代，并專注于四大支柱。更具體地，谷歌計劃在 2023 年第二季度發(fā)布新的 TensorFlow 預覽版，之后晚些時候發(fā)布生產(chǎn)版本。

快速和可擴展

首先是 XLA 編譯。谷歌專注于 XLA 編譯，讓訓練和推理模型在 GPU 和 CPU 上更快，并致力于讓 XLA 成為行業(yè)標準的深度學習編譯器，并且作為 OpenXLA 計劃的一部分，谷歌已將其開放給開源協(xié)作。

其次是分布式計算。谷歌正在專注于 DTensor 的研究，這是一種用于大規(guī)模模型并行的新 API。DTensor 將與 tf.distribute API 統(tǒng)一，允許靈活的模型和數(shù)據(jù)并行。

最后是性能優(yōu)化。除了編譯之外，谷歌還進一步專注于算法性能優(yōu)化，例如混合精度和降低精度計算，從而在 GPU 和 TPU 上提供相當大的加速。

應用型 ML

用于 CV 和 NLP 的新工具。谷歌正在投資應用型 ML（Applied ML）的生態(tài)系統(tǒng)，特別是通過 KerasCV 和 Keras NLP 包為各種用例提供模塊化和可組合的組件。

開發(fā)者資源。谷歌正在為流行以及新興的應用機器學習用例添加更多代碼示例、指南和文檔，降低開發(fā)人員進入 ML 的門檻，使得每個開發(fā)工具簡單可用。

部署層面

更容易導出。谷歌將會使模型導出到移動設備（Android 或 iOS）、邊緣設備（微控制器）、服務器后端或 JavaScript 變得更加容易。用戶可以將模型導出到 TFLite 和 TF.js，并優(yōu)化模型推理性能，操作起來就像調(diào)用 model.export() 一樣簡單。

用于應用程序的 C++ API 。谷歌正在開發(fā)公共 TF2 C++ API ，作為 C++ 應用程序的一部分用于本地服務器端推理。

部署 JAX 模型。谷歌正在使得 TensorFlow 服務部署模型變得更容易。

簡單化

NumPy API。過去幾年，ML 領域快速發(fā)展，與此同時 TensorFlow 的 API 也隨之增加。為了適應技術的發(fā)展，谷歌正在全面整合和簡化 API。

讓 debug 變得更容易。在 ML 領域，debug 是一項不可忽略的技術。谷歌將專注于更好的 debug 功能，以最小化其時間。

谷歌表示，TensorFlow 未來將是 100% 向后兼容的。谷歌希望 TensorFlow 成為機器學習行業(yè)賴以發(fā)展的基石，并承諾從 TensorFlow 2 開始到下一個版本，TensorFlow 完全向后兼容，代碼將按原樣運行，不需要運行轉(zhuǎn)換腳本，也不需要手動更改。谷歌將繼續(xù)在 TensorFlow 框架上投資，以推動研究和應用，為數(shù)百萬用戶服務。