TensorFlow全球下载量破1亿,Jeff Dean很激动,但网友却不给面子
本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
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:
当我们在2015年11月,将TensorFlow作为一个开源项目发布时,我们希望外界机器学习研究人员在使用它时,和我们在 Google AI 的体验一样。
看到它的下载量突破1亿,我感到非常自豪。
Keras 作者、谷歌深度学习专家 François Chollet 也发推文表示:
仅过去的一个月,就有超过1000万次的下载量,它正在加速发展。
当然,毫无悬念的,网友们在姐夫推特下面写下了老梗:
但我们现在在用Pytorch。
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:
- 专注于简单性和易用性,大大简化API
- 方便开发人员使用Keras 和 eager execution 轻松构建模型
- 提高TensorFlow Lite 和 TensorFlow.js 部署模型的能力
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:
TensorFlow> Keras >Pytorch>Caffe>MXNet
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:
我们非常乐于看到行业取得发展。现在,全球范围来看,虽然机器学习和 AI 的普及度还处在初期阶段,但是我们不能忘了最终的目标:在全球推广普及机器学习和 AI。
相关文章
- EasyCVR对接华为iVS订阅摄像机和用户变更请求接口介绍
- 精选 | 腾讯云CDN内容加速场景有哪些?
- 模块化网络防止基于模型的多任务强化学习中的灾难性干扰
- 用搜索和注意力学习稳健的调度方法
- 用于多变量时间序列异常检测的学习图神经网络
- 助力政企自动化自然生长,华为WeAutomate RPA是怎么做到的?
- 使用腾讯轻量云搭建Fiora聊天室
- TSRC安全测试规范
- 云计算“功守道”
- 助力成本优化,腾讯全场景在离线混部系统Caelus正式开源
- Flink 利器:开源平台 StreamX 简介
- 腾讯云实践 | 一图揭秘腾讯碳中和?解决方案
- 深度学习中的轻量级网络架构总结与代码实现
- 信息系统项目管理师(高项复习笔记三)
- Adobe国际认证让科技赋能时尚
- c++该怎么学习(面试吃土记)
- 面试官问发布订阅模式是在问什么?
- 面试官:请实现一个通用函数把 callback 转成 promise
- 空中悬停、翻滚转身、成功着陆,我用强化学习「回收」了SpaceX的火箭
- 中山大学林倞解读视觉语义理解新趋势:从表达学习到知识及因果融合