أول بث مباشر على الإنترنت، ماذا تحدثت عنه TF Dev Summit؟

تم عقد مؤتمر TensorFlow Dev Summit السنوي مؤخرًا. وبسبب تأثير جائحة فيروس كورونا المستجد، انعقدت القمة بالكامل عبر الإنترنت لأول مرة.

تم البث المباشر من الساعة 0:30 إلى الساعة 8:00 صباحًا يوم 12 مارس بتوقيت بكين. أدى هذا الحدث السنوي لمطوري التعلم الآلي إلى جعل عدد لا يحصى من المشاهدين الصينيين يبقون مستيقظين حتى وقت متأخر لمشاهدة البث المباشر. إذن ما هي الحيل الكبيرة التي أطلقها TensorFlow (TF باختصار)؟

وسنقوم باختيار عدد قليل من هذه الجوانب وإجراء مراجعة موجزة لأهمها.

TensorFlow: إطار عمل التعلم الآلي الأكثر شعبية

افتتح المؤتمر بكلمة رئيسية ألقتها ميجان كاتشوليا.

ميغان كاتشوليا هي المديرة الهندسية لـ TensorFlow وGoogle Brain، وتركز على TensorFlow. لقد عملت في جوجل لسنوات عديدة، واتجاه عملها هو دراسة الأنظمة الموزعة الكبيرة وإيجاد طرق لتحسين الأداء وتعزيزه.

وفي الجلسة الرئيسية، وكما جرت العادة، تم عرض بعض إنجازات TF في العام الماضي، بما في ذلك الأحداث الرئيسية، والاستخدام من قبل الجمهور، وما إلى ذلك.

وصل الاستخدام الحالي لـ TF إلى 76 مليون عملية تنزيل، وأكثر من 80 ألف عملية إرسال، وأكثر من 13 ألف طلب سحب، وأكثر من 2400 مساهم، مما يوضح تمامًا أن TF هو إطار عمل التعلم الآلي الأكثر شعبية.

ركزت الجلسة الرئيسية على الشركات الثلاث الكبرى التي قدمت نظام TensorFlow البيئي.

مع تطور TF على مر السنين، شكلت أدواته ذات الصلة تدريجيًا نظامًا بيئيًا قويًا، بما في ذلك العديد من المكتبات القابلة للاستخدام ومكونات التوسعة، بالإضافة إلى تطبيقات مختلفة لمهام مختلفة.

ركزت ميجان كاتشوليا في البداية على تقديم استخدام TF، وقدمت مقدمة مفصلة من ثلاثة جوانب: البحث المتعلق بـ TF، والحالات الفعلية في الواقع، والتطوير والنشر لكل مستخدم.

بعد ذلك، قدمت ماناسي جوشي المعايير الأخلاقية لـ TF فيما يتعلق بالذكاء الاصطناعي، ووصفت كيفية تجنب التمييز على أساس الجنس، وضمان العدالة، والقدرة على التفسير، والخصوصية، والأمن، وغيرها من القضايا عند استخدام الذكاء الاصطناعي، كما أدرجت سلسلة من الأدوات التي تستخدمها TF لحل هذه المشاكل.

وأخيرًا، قدم كمال المجاهد مجتمع TF، والتوزيع العالمي لأعضاء المجتمع، وأظهر سلسلة من الأنشطة التي نفذها المجتمع، وتحديث محتوى الموارد مثل دورة التعلم الآلي المكثفة.

النسخة الجديدة قادمة! تم إصدار TF 2.2 بهدوء

بالمقارنة مع نظام TF البيئي الذي تمت مناقشته كثيرًا في Keynote، فإن الإصدار الأحدث TF 2.2 الذي تم إطلاقه هذه المرة يبدو أقل أهمية بكثير.

ولكن كإصدار جديد، فإنه يجلب أيضًا بعض التحديثات الرئيسية. أجرى TF 2.2 تعديلات رئيسية في ثلاثة جوانب: إيلاء المزيد من الاهتمام للأداء، والتكامل مع نظام TF البيئي، وجعل المكتبة الأساسية مستقرة.

هذا الإصدار متاح الآن على Github:
https://github.com/tensorflow/tensorflow/releases

الميزات والتحسينات الرئيسية هي:

1) تم استبدال النوع القياسي لموتر السلسلة من std::string إلى tensorflow::tstring، والآن أصبحت واجهة ABI أكثر استقرارًا.

2) ملف تعريف جديد لوحدة المعالجة المركزية/وحدة معالجة الرسومات/وحدة معالجة الرسومات. إنه يوفر تحليل أداء الجهاز والمضيف، بما في ذلك خط أنابيب الإدخال وعمليات TF. تقديم اقتراحات التحسين كلما كان ذلك ممكنا.

3) إلغاء Swig واستخدام pybind11 لتصدير وظائف C++ إلى Python بدلاً من استخدام SWIG.

يمكن العثور على تحديثات أخرى في tf.keras، وtf.lite، وXLA، والتي يمكن عرضها على GitHub.

ثورة في البرمجة اللغوية العصبية؟ إضافة معالجة الصور

بعد جلسة Keynote مباشرة، تمت مشاركة التقدم الذي أحرزته TensorFlow في معالجة اللغة الطبيعية، وألقى المتحدث خطابًا رئيسيًا حول "تعلم القراءة باستخدام TensorFlow و Keras".

ويذكر التقرير أن معالجة اللغة الطبيعية (NLP) وصلت إلى نقطة تحول، لذا يركز البحث الحالي على كيفية استخدام TF وKeras لتسهيل معالجة النصوص المسبقة والتدريب وضبطها.

تم التأكيد على نقطة واحدة: إن معالجة اللغة الطبيعية (NLP) هي طريقة جديدة لمعالجة الصور.

واستشهد المتحدث بمثال طفل يتعلم الكتابة من خلال النظر إلى الأشياء، وقال إن TF بدأت في محاولة تحسين أداء معالجة اللغة الطبيعية من منظور معالجة الصور.

في الواقع، قدمت TF طبقات المعالجة الاحترافية منذ الإصدار 2.X. يتمتع هذا التحسين بالميزات التالية:

من الأسهل تحويل البيانات، واستبدال برنامج tf.keras، الذي يعمل كطبقة معالجة كسلسلة من النماذج.

ولإثبات أن معالجة اللغة الطبيعية (NLP) هي معالجة جديدة للصور، قام المحاضر أيضًا بمقارنة طبقات المعالجة الاحترافية في مجال الصورة ومجال معالجة اللغة الطبيعية (NLP)، مشيرًا إلى بعض التشابهات بينهما.

ترقية TF Lite: التركيز بشكل أكبر على تجربة الهاتف المحمول

مع تزايد أهمية الهواتف المحمولة في الحياة اليومية، تولي شركة TF اهتمامًا أكبر لتجربة المستخدم في الأجهزة الطرفية. هذه المرة، استخدمنا أيضًا تقريرًا رئيسيًا لمشاركة بعض التحديثات حول TensorFlow Lite.

يتضمن المحتوى كيفية نشر التعلم الآلي على الهواتف المحمولة أو الأجهزة المضمنة أو المحطات الأخرى بشكل أسرع وأكثر أمانًا من خلال تقنيات TF الجديدة.

حاليًا، تم نشر TF في مليارات الأجهزة الطرفية ويُستخدم بواسطة أكثر من 1000 تطبيق جوال. إنه إطار عمل التعلم الآلي متعدد الأنظمة الأساسية الأكثر شيوعًا في مجال الأجهزة المحمولة ووحدات التحكم الدقيقة.

يتضمن المحتوى الذي تم التركيز عليه هذه المرة التكيف مع الأجهزة المختلفة، وتطوير سلسلة من الأدوات لمعالجة الأداء الأمثل، والزيادة المستمرة في دعم أداء الحافة، والقدرة على الاستخدام في المواقف غير المتصلة بالإنترنت، والتركيز بشكل أكبر على ميزات الخصوصية والأمان.

من حيث مكتبة ملحقات TF lite المضافة حديثًا، تمت إضافة المزيد من واجهات برمجة التطبيقات للصور واللغة، وتمت إضافة تكامل Android Studio، وتم تحسين وظائف مثل إنشاء التعليمات البرمجية.

أصدر التقرير أيضًا Core ML delegate، والذي يمكنه تسريع سرعة الحوسبة ذات النقطة العائمة على أجهزة Apple الطرفية من خلال وكيل Core ML في الشريحة العصبية الخاصة بـ Apple.

وأخيرًا، قمنا أيضًا بمعاينة التطورات اللاحقة. ستكون هناك طرق أخرى لتحسين وحدة المعالجة المركزية، مثل تلك الموجودة في TensorFlow Lite 2.3، والتي ستؤدي إلى تحسينات أكبر في الأداء، وسيتم تضمين محول نموذج جديد بشكل افتراضي في TF 2.2.

تم إصدار Nuke: TF Quantum

قرب نهاية القمة، ظهر مسعود محسني وقدم مرة أخرى TensorFlow Quantum مفتوح المصدر الذي تم الإعلان عنه مؤخرًا، وهي مكتبة تعلم آلي لتدريب النماذج الكمية.

كان الخطاب الرئيسي طويلاً للغاية، واستغرق ما يقرب من نصف ساعة لشرح مبادئ الحوسبة الكمومية والمشكلات التي يستعد TF Quantum لحلها.

يوفر TFQ الأدوات اللازمة لجمع الأبحاث في الحوسبة الكمومية والتعلم الآلي للتحكم في الأنظمة الكمومية الطبيعية أو الاصطناعية ونمذجتها.

على وجه التحديد، تركز TFQ على معالجة البيانات الكمومية وتبني نموذجًا هجينًا كميًا كلاسيكيًا يدمج خوارزميات الحوسبة الكمومية والمنطق المصمم في Cirq ويوفر وحدة حوسبة كمومية متوافقة مع واجهة برمجة تطبيقات TensorFlow الحالية، بالإضافة إلى محاكي دائرة كمومية عالي الأداء.

وأشار الخطاب إلى أن جوجل طبقت TFQ على الشبكات العصبية التلافيفية الهجينة الكمومية الكلاسيكية، والتعلم الآلي المتحكم فيه كميًا، والتعلم الهرمي للشبكات العصبية الكمومية، والتعلم الديناميكي الكمومي، والنمذجة التوليدية للحالات الكمومية الهجينة، وتعلم الشبكات العصبية الكمومية من خلال الشبكات العصبية التكرارية الكلاسيكية.

سيتم أيضًا استخدام هذه الأداة لتعلم الشبكات العصبية الكمومية واستخدامات أخرى من خلال الشبكات العصبية المتكررة الكلاسيكية. وسوف يؤدي هذا إلى إحداث زخم كبير في مجال الحوسبة الكمومية.

وعلى الرغم من أن شرح المبادئ يتضمن الكثير في الخطاب، فإن الاستخدام المحدد ليس صعبًا:

يمكنك استخدامه عن طريق تقديم المكتبات والتعريفات ذات الصلة، وتحديد النموذج، وتدريب النموذج، وأخيرًا استخدام النموذج للتنبؤ.

هذا بث مباشر يستحق المشاهدة

بالإضافة إلى المحتويات المذكورة أعلاه، عقد مؤتمر TensorFlow dev Summit أيضًا العديد من جلسات المشاركة الأخرى.

بما في ذلك استخدام TF في البحث العلمي، ومقدمة عن TF Hub، والبحث في التعلم الآلي التعاوني، واستخدام TF على Google Cloud، والمناقشات حول الخصوصية العادلة في استخدام الذكاء الاصطناعي، والمزيد.

من خلال ما يقرب من 8 ساعات من البث المباشر، تم توضيح جميع جوانب TensorFlow. ورغم أنها كانت المرة الأولى التي يتم فيها اعتماد شكل البث المباشر الشامل عبر الإنترنت، إلا أنها احتوت على الكثير من المحتوى المفيد، الأمر الذي كان يستحق سهر الجميع لساعات متأخرة من الليل.

إذا كنت تريد معرفة المزيد من المعلومات، يمكنك مراجعة هذا الحدث من خلال البث المسجل:

https://space.bilibili.com/64169458

-- زيادة--