4年半,全球下载量突破1个亿,仅过去1个月,便有超过1000万的下载。 这就是TensorFlow提交的最新成绩单。 谷歌AI负责人 Jeff Dean (传奇“姐夫”)非常激动:
Keras 作者、谷歌深度学习专家 François Chollet 也发推文表示:
当然,毫无悬念的,网友们在姐夫推特下面写下了老梗:
为什么TensorFlow能取得如此成绩?在姐夫的推特中,还提到了2015年发布TensorFlow时的博客。 这一天,谷歌发布了TensorFlow的“白皮书”,并很快将其开源。 而它的故事,也就从这一时刻开始谱写。 凭借谷歌不容小觑的影响力,消息在技术圈内迅速传开,然而在圈外,却没有想象中的那么轰动。 直到2016年,AlphaGo 引爆了大众对人工智能的热情,AI 也逐渐渗透进各行各业中,Tensorflow 则成为一个现象级的技术名词,被普通大众所熟知。 Tensorflow在2017年2月发布了1.0.0版本,也标志着稳定版的诞生。 早期的TensorFlow还是有不少被人诟病的地方,比如API的稳定性、效率和基于静态计算图的编程上的复杂性等等。 历经几年的时间,TensorFlow不断地优化,同时吸取了像Pytorch这样框架的有点,逐步地在解决这些缺点。 2019年,谷歌推出了TensorFlow 2.0,这是平台发展历程中,称得上是一个重要的里程碑。几大亮点包括:
直到现在,TensorFlow 已经迭代到 2.2.0 版本,更加强调性能与生态系统的兼容性,以及核心库的稳定性。 除了性能上的不断优化,TensorFlow的成功也得益于它的生态。 TensorFlow 可以说,建立了一个非常强大的生态系统,包含各类库、扩展以及工具,能够满足研究人员和开发人员实现端到端机器学习模型的各种需求。 对于研究人员来说,TensorFlow提供了最尖端的机器学习研究模型,例如,T5模型可以实现语音到文本的转换。 产品开发人员可结合使用TensorFlow与Keras等工具构建各种应用产品。TensorFlow Hub还提供大量预训练模型。 此外,开发人员可以利用TensorFlow Lite等工具,轻松将机器学习模型部署到各种设备上。 道阻且长,比任何时候都具有挑战性TensorFlow取得如此成就固然是值得赞叹,但与此同时,它所面临的挑战也是巨大的——甚至是前所未有的。 除了自身性能、易用性和生态等方面的发展因素外,更多的挑战可能来自同类深度学习框架的竞争。 包括Pytorch、MXNet、Caffe、Keras等等,它们自身有着各自的亮点和特性,这也就造成了用户选择方面的差异。 那么,这些开源深度学习框架之间的竞争如何? 鉴于不是所有框架都公布了“下载量”这个指标,我们从GitHub上的关注度来做个对比。 若是有更好的对比指标,欢迎在评论区交流。 首先是TensorFlow,GitHub上的小星星已经达到了14.4万。 Keras在GitHub上的小星星为4.82万。 Pytorch在GitHub上的小星星为3.86万。 Caffe在GitHub上的小星星为3.02万。 MXNet在GitHub的小星星为1.87万。 如根据GitHub小星星的数量来决定开源深度学习框架的流行程度,那么排名就是:
如此之外,国内的深度学习框架也在逐步发力:百度飞桨、华为 MindSpore、旷视 MegEngine、清华 Jittor。 在GitHub上的小星星分别是11.3K、1K、2.1K和1.4K。 对于全球深度学习框架的汹涌发展,TensorFlow全球产品总监 Kemal El Moujahid 就曾表示:
小调查:你更喜欢哪款深度学习框架?最后,我们也想做个小调研,下面哪款是你最喜欢的深度学习框架? 参考链接 https://twitter.com/JeffDean/status/1260077064847147011 — 完 — 5.13日晚8点,量子位·吃瓜社邀请了来自华为诺亚方舟实验室的技术专家王云鹤老师,直播分享端侧AI的最新技术进展,欢迎大家报名围观~ |
|
来自: 昵称61867258 > 《2020》