أصبح TensorFlow الآن عمره أربع سنوات. ما هو الشيء الأكثر أهمية؟ @GDD 2019

في اليوم الثاني من GDD، كان المطورون لا يزالون متحمسين وكان TensorFlow RoadShow مزدحمًا. لقد مرت أربع سنوات منذ إطلاق TensorFlow في عام 2015. وقد قامت Google ببناء نظام بيئي كامل حول TensorFlow، وقاعدة مستخدميها آخذة في النمو. إذن، ما الذي قدمه لنا فريق TensorFlow التابع لشركة Google هذه المرة؟

بالأمس، قدمت شركة جوجل في مؤتمر GDD عرضًا تفصيليًا لتطوراتها الأخيرة ومنتجاتها الجديدة. في اليوم الثاني من GDD، كان التركيز على TensorFlow، والذي تم إصداره منذ أربع سنوات.

في وقت مبكر من صباح اليوم، عقدت شركة أبل مؤتمرًا لإطلاق منتج جديد وأطلقت فيه سلسلة iPhone 11 ذات الكاميرا الثلاثية. بالإضافة إلى ذلك، تم إطلاق منتجات جديدة مثل iPad، وApple Arcade، وApple TV+، وiApple Watch Series 5.

إذا كانت شركة Apple تعمل على تحفيز مجموعة المستهلكين بمنتجات جديدة، فعلى الجانب الآخر من المحيط، يسير مؤتمر Google Developer Conference بطريقة هادئة ومطردة، حيث يقدم أحدث التطورات التكنولوجية بالتفصيل ويوفر المساعدة الأكثر عملية للمطورين.

ملأ عرض TensorFlow RoadShow الخاص جدول اليوم بأكمله. إذن ما هي أبرز النقاط التي أضافها فريق TensorFlow إلى GDD اليوم؟

TensorFlow: إطار عمل التعلم الآلي الأكثر شيوعًا

في معرض TensorFlow RoadShow، كان مدير المنتجات في منطقة آسيا والمحيط الهادئ Liang Xinping هو أول من ظهر وشارك "الحاضر والمستقبل للتعلم الآلي" وشرح تطوير TensorFlow.

هناك ثلاث نقاط رئيسية في التطور الحالي للتعلم الآلي:مجموعات البيانات، وقوة الحوسبة، والنماذج.Tensorflow هي منصة التعلم الآلي الأكثر نجاحًا بما يتماشى مع اتجاه التعلم الآلي.

منذ إصداره في عام 2015،تم تحسين TensorFlow وتحديثه بشكل مستمر.حتى الآن، هناك أكثر من 41 مليونالتنزيلات، أكثر من 50000 مرةحجم الإرسال،9900 مرةطلبات تغيير الكود، و أكثر من 1800المساهمين.

بسبب وظائفها القوية، هناك المزيد والمزيد من الحالات الفعلية التي تستخدم TensorFlow، وتستخدمها العديد من الشركات والمؤسسات للبحث والتطوير. علاوة على ذلك، تم إطلاق موقع TensorFlow الصيني أيضًا، ويتوسع المجتمع الصيني والموارد التقنية يومًا بعد يوم.

بعد تقديم هذه المواقف، تم إطلاق عرض شامل لـ TensorFlow على الفور، وأعطى مهندسو فريقها مقدمة مفصلة عن تقدم TensorFlow.

النقاط الرئيسية: TensorFlow 2.0 

تم إصدار الإصدار 2.0 الذي طال انتظاره أخيرًا في عام 2019. وفي يونيو من هذا العام، تم إصدار الإصدار التجريبي TensorFlow 2.0. في GDD اليوم، أعلن المهندسون أن TensorFlow 2.0 RC متوفر الآن. بالمقارنة مع الإصدار 1.0، يتمحور الإصدار الجديد حولسهولة الاستخدام والأداء العالي وإمكانية التوسع.لقد تمت ترقية ثلاثة جوانب.

الشيء الأكثر جاذبية هو استخدام كيراس  باعتبارها واجهة برمجة تطبيقات عالية المستوى، قم بتحسين الإعدادات الافتراضية التنفيذ المتلهف ، إزالة الوظائف المكررة وتوفيرهاواجهة برمجة التطبيقات الموحدة  .

يستخدم TensorFlow 2.0 Keras وEager Execution، مما يجعل من السهل بناء النماذج وتحقيق نشر قوي للنماذج في بيئات الإنتاج على أي منصة.

بعد تقديم تفاصيل الإصدار 2.0، قدم مهندس جوجل ليانغ يانهوي أيضًا مقدمة تفصيلية لطريقة الترقية من الإصدار 1.0 إلى 2.0.

بدأت بالفعل عملية ترحيل الإصدار الداخلي داخل Google، ويوفر الموقع الرسمي أيضًا أدلة وأدوات تفصيلية لترحيل التعليمات البرمجية. إذا كان المستخدمون يحتاجون حقًا إلى الإصدار 1.0 من واجهة برمجة التطبيقات أو يعتمدون عليه، فيمكنهم نقله بسهولة إلى الإصدار 2.0 وفقًا للدليل.

إذن ما هي الجوانب المحددة في TensorFlow 2.0 التي تستحق الاهتمام؟ قام مهندسو جوجل بعمل مقدمة تفصيلية من وجهات النظر التالية.

TF.Text: تدريب نماذج البرمجة اللغوية العصبية 

باعتبارها اتجاهًا مهمًا في التعلم الآلي، فإن معالجة اللغة الطبيعية لها طلب كبير في السوق. تم إطلاق TF رسميًا وتم ترقيته TF.Text،إنه يوفر إمكانيات معالجة نصية قوية لـ TensorFlow 2.0 ومتوافق مع وضع الرسم البياني الديناميكي.

TF.Text هي مكتبة TensorFlow 2.0 والتي يمكن تثبيتها بسهولة باستخدام الأمر PIP. يمكنه تنفيذ إجراءات المعالجة المسبقة في النماذج المستندة إلى النص ويوفر المزيد من الميزات والعمليات لنمذجة اللغة غير المتوفرة في مكونات TensorFlow الأساسية.

الوظيفة الأكثر شيوعا هيرمزية النص. التجزئة هي عملية تقسيم السلسلة إلى رموز. قد تكون هذه الرموز عبارة عن كلمات أو أرقام أو علامات ترقيم أو مزيج من هذه العناصر.

Tokenizer في TF.Text نوع جديد من الموتر للتعرف على النص، Ragged Tensors. ويوفرثلاثة توكنيزرات جديدة.الأكثر أساسية من هذه هي Whitespace Tokenizer، والتي تقوم بتقسيم سلسلة UTF-8 على أحرف المسافة البيضاء التي يحددها ICU (مثل المسافة، علامة التبويب، السطر الجديد).

تتضمن مكتبة TF.Text أيضًاالتطبيع، وn-grams، وقيود تسلسل الرموزووظائف أخرى. هناك العديد من الفوائد لاستخدام TF.Text، مثل أن المستخدمين لا يحتاجون إلى القلق بشأن اتساق التدريب والتنبؤ، ولا يحتاجون إلى إدارة نصوص المعالجة المسبقة بأنفسهم.

TensorFlow Lite: نشر التعلم الآلي على الحافة

قام اثنان من كبار مهندسي البرمجيات في Google، وهما Wang Tiezhen وLiu Renjie، بتقديم التحديثات الوظيفية والتفاصيل الفنية لبرنامج TensorFlow Lite.

TensorFlow Lite هو إطار عمل لنشر تطبيقات التعلم الآلي على الهواتف المحمولة والأجهزة المضمنة.الأسباب الرئيسية لاختيار النشر على العميل تنعكس في النقاط الثلاث التالية:

أولاً: لا يوجد أي تأخير تقريبًا، مما يوفر تجربة مستخدم مستقرة وفي الوقت المناسب؛

ثانياً: لا يحتاج إلى الاتصال بالإنترنت ويمكن استخدامه في البيئات التي لا يوجد فيها إنترنت أو الإنترنت ضعيف جداً؛

ثالثا: حماية الخصوصية، حيث لن يتم نقل البيانات إلى السحابة، ويمكن إجراء كافة المعالجة على الجهاز.

ونظراً لهذه المزايا، هناك بالفعل سوق كبير للتطبيقات التي تنشر التعلم الآلي على المحطة الطرفية القائمة على TensorFlow Lite، وفي الإصدار 2.0، تم أيضاً تحسين القدرة على نشر النماذج.

على سبيل المثال، يتم استخدام تطبيق Xianyu في سيناريو الإيجار.قم بتسمية الصور تلقائيًا باستخدام TensorFlow Lite.تحسين كفاءة تأجير المنازل؛ قامت شركة Ecovacs Robotics بنشر TensorFlow Lite في روبوتاتها الكنسيّة لتحقيق تجنب العوائق تلقائيًا، وما إلى ذلك. كما يُستخدم TensorFlow Lite على نطاق واسع في منتجات Google، مثل Google Photos وInput Method وCloud Assistant وما إلى ذلك.

وفقا للإحصائيات، هناكأكثر من 2 مليارجهاز محمول تم تثبيت تطبيق قائم على TensorFlow Lite عليه.

ومع ذلك، لا تزال هناك العديد من التحديات في نشر التعلم الآلي على العميل. على سبيل المثال، بالمقارنة مع السحابة،تتمتع المحطة الطرفية بقوة حوسبة وذاكرة أقل، ويجب أن يأخذ النشر على المحطة الطرفية في الاعتبار استهلاك الطاقة. كما أجرى TensorFlow Lite تحسينات وتحسينات لمعالجة هذه التحديات من أجل جعل التعلم الآلي أسهل في النشر على المحطة الطرفية.

لا يمكن نشر منفذ التنفيذ النهائي لـ TensorFlow Lite على Android وiOS فحسب، بل إنه مناسب أيضًا للأنظمة المضمنة (مثل Raspberry Pi)، ومسرعات الأجهزة (مثل Edge TPU)، ووحدات التحكم الدقيقة (MCU).

يتم تطبيقه حاليًا في تصنيف الصور، وكشف الأشياء، وتقدير الموقف، والتعرف على الكلام، والتعرف على الإيماءات، وسيتم إصدار وظائف مثل BERT، ونقل الأسلوب، والاستيقاظ الصوتي في وقت لاحق.

كيفية نشر النموذج الخاص بك في TensorFlow Lite؟ وأوضح ليو رينجي أن هذا يتطلب ثلاث خطوات فقط: تدريب نموذج TF، والتحويل إلى تنسيق TF Lite، ونشر النموذج على الجهاز النهائي. وفقًا لمكتبة TF 2.0 المتكاملة، يمكن تحقيق ذلك من خلال عدد قليل من استدعاءات التعليمات البرمجية.

TensorFlow.js: منصة لإنشاء تطبيقات WeChat

TensorFlow.js عبارة عن منصة تعليم عميق مخصصة لـ JavaScript.يمكنك تشغيل النماذج الموجودة، وإعادة تدريب النماذج الموجودة، وتدريب نماذج جديدة.

ولزيادة فائدته العملية،يدعم TensorFlow.js منصات متعددة:المتصفح، والمحطة اللاسلكية (مثل تطبيق WeChat)، والخادم، وجهاز الكمبيوتر المكتبي. بالإضافة إلى القدرة على تشغيل نماذج التعلم الآلي على منصات متعددة، يمكنك أيضًا تدريب النماذج، والحصول على تسريع وحدة معالجة الرسوميات، ودعم WebGL تلقائيًا.

في العرض التوضيحي المباشر، قاموا بعرض Modiface، وهو برنامج تجهيز افتراضي يعتمد على TensorFlow.js. ومن خلال هذا الإطار، قمنا بإنشاءأصغر وأسرع تطبيق لتجربة المكياج الافتراضي.ومن المقرر أن يتم تحقيق وظائف مثل تحويل تصفيفة الشعر، ومحاكاة تحويل العمر، واكتشاف جودة البشرة في المستقبل.

بالإضافة إلى ذلك، قدم مهندسو جوجل أن TensorFlow.js قابل للتطبيق على مواقع الويب والأجهزة اللاسلكية، ويحتوي على عدد كبير من سيناريوهات تطبيق التعلم الآلي، مثل الواقع المعزز AR، والتفاعل القائم على الإيماءات والجسم، والتعرف على الكلام، ومواقع الويب الخالية من العوائق، والتحليل الدلالي، والمحادثات الذكية، وتحسين صفحات الويب.

حاليًا، يدعم TensorFlow.js بالفعل وظائف مثل تصنيف الصور، والتعرف على الكائنات، والتعرف على الوضع، والتعرف على الأوامر الصوتية، وتصنيف النص. على سبيل المثال، يمكن للمكون الإضافي الذي تم إطلاقه لتطبيق WeChat تحقيق وظائف غنية باستخدام واجهة برمجة تطبيقات واحدة.

  توقع المزيد من المفاجآت من Google و TensorFlow

بالإضافة إلى وظائف TensorFlow المذكورة أعلاه، تم أيضًا تقديم Tf.distribute ومجموعة أدوات تحسين TensorFlow وبعض حالات تطبيقات المؤسسات الخاصة بـ TensorFlow. وأخيرًا، صعد Liang Xinping إلى المسرح مرة أخرى لمشاركة الوضع المجتمعي لـ TensorFlow.

في البناء الأساسي لـ TensorFlow، أكثر من 2135المساهمين. يملك 109خبراء مطوري Google في التعلم الآلي؛ أكثر من 46 مجموعة مستخدمي TensorFlow. ويقدم أيضًا شرحًا تفصيليًا لكيفية الانضمام إلى مجتمع TensorFlow.

مع انتهاء TensorFlow RoadShow، انتهى أيضًا مؤتمر Google Developer Conference بجميع جداوله ووصل إلى نهاية ناجحة. بالنسبة لجميع المطورين التقنيين، فإن المعلومات القيمة التي جلبها هذا الحدث يجب أن تكون أكثر بديهية من مشاهدة المؤتمر الصحفي لشركة Apple.

دعونا نتطلع إلى الاختراق القادم لـ TensorFlow، ونأمل أن تتمكن Google من أن تصبح أكثر قوة في مجال الذكاء الاصطناعي. دعونا نلتقي مرة أخرى في GDD العام القادم!