Google Developers Italia
Notizie per gli sviluppatori italiani sul mondo Google
Sperimentare con formati di annunci VR in Area 120
24 luglio 2017
Pubblicato da Aayush Upadhyay e Neel Rao, Area 120
Nell'ambito di
Area 120
, il laboratorio interno di Google dedicato alle idee sperimentali, stiamo lavorando su progetti in fase iniziale passandoli in rassegna per testarne i concetti. Molti sviluppatori ci hanno riferito di avere la necessità di finanziare le loro applicazioni VR, quindi abbiamo iniziato a sperimentare per trovare il giusto formato di annuncio VR nativo e mobile.
Sviluppatori e utenti dicono di voler evitare esperienze pubblicitarie intrusive e difficili da implementare nella VR. Quindi la nostra idea, per un primo potenziale formato, consiste in un cubo con cui gli utenti possono interagire, se lo desiderano, per poi vedere l’annuncio video. Toccando il cubo o guardandolo per alcuni secondi, si aprirà un lettore video nel quale l'utente potrà guardare ed eventualmente chiudere facilmente il video. Ecco come funziona:
Questo progetto si basa su alcuni principi fondamentali: i formati degli annunci VR devono essere di facile implementazione per gli sviluppatori, nativi in VR, flessibili abbastanza da essere personalizzati, utili e non intrusivi per gli utenti. Il nostro team di Area 120 ha ottenuto risultati incoraggianti insieme ad alcuni partner sperimentali e vorrebbe collaborare con la community degli sviluppatori man mano che si fanno progressi nell’ambito di Cardboard (su Android e iOS), Daydream e Samsung Gear VR.
Se sei uno sviluppatore VR (o desideri diventarlo) e sei interessato a testare questo formato con noi, compila il
modulo
per iscriverti al nostro programma con accesso in anteprima. L’SDK in fase iniziale è disponibile e può essere installato e utilizzato facilmente. Siamo entusiasti di continuare a sperimentare con questo formato e speriamo che tu possa diventare uno dei nostri!
MultiModel: Machine learning Multi-Task su diversi domini
21 luglio 2017
Pubblicato da Łukasz Kaiser, Senior Research Scientist, Google Brain Team e Aidan N. Gomez, Researcher, Department of Computer Science Machine Learning Group, University of Toronto
Nell'ultimo decennio l'applicazione e le prestazioni del Deep Learning hanno fatto progressi a un ritmo sorprendente. Tuttavia, nello stato attuale di questo settore, le architetture di rete neurale sono altamente specializzate per domini di applicazione molto specifici. Un'importante domanda rimane senza risposta: far convergere questi domini agevolerà un modello unificato che può essere eseguito correttamente su diversi domini?
Oggi vi presentiamo
MultiModel
, un'architettura di rete neurale che attinge dal successo delle reti di visione, lingua e audio e consente di risolvere simultaneamente una serie di problemi relativi a molteplici domini, tra cui il riconoscimento delle immagini, la traduzione e il riconoscimento vocale. Anche se in questa direzione sono già stati fatti passi da gigante grazie a
Multilingual Neural Machine Translation System di Google
utilizzato nel Google Traduttore, MultiModel rappresenta il primo vero e proprio passo per far convergere visione, audio e comprensione della lingua in una singola rete.
L'ispirazione per la modalità di gestione di domini multipli di MultiModel deriva dal cervello stesso che trasforma le percezioni provenienti dai sensi (come udito, vista e gusto) in una singola rappresentazione condivisa per poi esprimerle esternamente nella forma di parlato o azioni. Analogamente a queste modalità e alle trasformazioni effettuate, MultiModel dispone di una serie di piccole sottoreti specifiche alla modalità per audio, immagini o testo e un modello condiviso costituito da un encoder, un mixer di input/output e un decodificatore, come viene illustrato qui.
Architettura MultiModel: piccole sottoreti specifiche alla modalità funzionano con un encoder condiviso, un mixer I/O e un decodificatore. Ogni petalo rappresenta una modalità, trasformandosi nella e dalla rappresentazione interna.
Abbiamo dimostrato che MultiModel è in grado di apprendere contemporaneamente otto attività: rilevare oggetti nelle immagini, fornire didascalie, eseguire il riconoscimento vocale, tradurre quattro coppie di lingue e fare l'analisi dei componenti sintattici allo stesso tempo. L'input viene fornito al modello insieme a un segnale molto semplice che determina il tipo di output che vogliamo. Di seguito sono illustrati alcuni esempi tratti da un MultiModel addestrato a eseguire contemporaneamente queste otto attività
1
:
Durante la progettazione di MultiModel è emerso chiaramente che alcuni elementi di ciascun dominio di ricerca (visione, lingua e audio) costituiscono una parte integrante del successo del modello nelle attività correlate. Abbiamo dimostrato che queste primitive computazionali (come le convoluzioni, l'attenzione o Mixture-of-Experts Layer) migliorano chiaramente le prestazioni nel loro dominio di applicazione originario, senza tuttavia ostacolare le prestazioni di MultiModel in altre attività. Non solo è possibile ottenere buone prestazioni nell'addestramento congiunto di attività multiple, ma effettivamente la performance migliora perfino nelle attività con quantità limitate di dati. Con nostra grande sorpresa, questo accade anche se le attività provengono da domini diversi che sembrano avere poco in comune, ad esempio un'attività di riconoscimento delle immagini può migliorare le prestazioni di un'attività linguistica.
Bisogna notare che, anche se MultiModel non stabilisce nuovi record di prestazioni, fornisce informazioni sulle dinamiche dell'apprendimento multidominio multi-task delle reti neurali e offre la potenzialità di un apprendimento ottimizzato in base ad attività con quantità limitate di dati introducendo attività ausiliari. C'è un detto di lunga data nel settore del machine learning: "La miglior regolarizzazione è avere più dati". In MultiModel, questi dati possono essere ricavati da diversi domini e di conseguenza possono essere ottenuti più facilmente di quanto non si pensasse prima. MultiModel fornisce la prova che l'addestramento congiunto di più attività può portare a buoni risultati e migliorare le prestazioni delle attività con quantità limitate di dati.
Molte domande riguardanti il machine learning multidominio rimangono aperte e continueremo a impegnarci per affinare MultiModel e migliorare le sue prestazioni. Perché questa ricerca possa procedere a buon ritmo, abbiamo reso MultiModel open source nella libreria
Tensor2Tensor
. Riteniamo che questi modelli sinergici addestrati su dati ricavati da domini multipli siano il prossimo passo nell'ambito del Deep Learning e che fondamentalmente svolgeranno attività oltre la portata delle attuali reti addestrate in modo più tradizionale.
Riconoscimenti
Il presente lavoro è il risultato della collaborazione con i Googler Łukasz Kaiser, Noam Shazeer, Ashish Vaswani, Niki Parmar, Llion Jones e Jakob Uszkoreit e Aidan N. Gomez della University of Toronto. È stato eseguito quando Aidan lavorava con il
Google Brain team
.
1
Le 8 attività sono: (1) riconoscimento vocale (corpus WSJ), (2) classificazione di immagini (ImageNet), (3) didascalie per immagini (MS COCO), (4) parsing (Penn Treebank), (5) traduzione inglese-tedesco, (7) traduzione inglese-francese, (8) traduzione francese-inglese (tutte utilizzano i set di dati WMT).
↩
Accelerare la ricerca sul Deep Learning con la libreria Tensor2Tensor
19 luglio 2017
Pubblicato da Łukasz Kaiser, Senior Research Scientist, Google Brain Team
Il Deep Learning (DL) ha consentito il rapido avanzamento di molte tecnologie importanti, come ad esempio la
traduzione automatica
, il
riconoscimento vocale
e il
rilevamento degli oggetti
. Nella comunità di ricerca si possono trovare codici open source forniti dagli autori stessi per contribuire a replicare i loro risultati e apportare ulteriori progressi al campo del Deep Learning. Tuttavia la maggior parte di questi sistemi DL utilizza configurazioni particolari che richiedono un notevole impegno ingegneristico e possono dare i risultati desiderati solo in relazione a un problema o un'architettura specifica, rendendo quindi difficile l'esecuzione di nuovi esperimenti e il confronto dei risultati.
Oggi siamo lieti di annunciare la release di
Tensor2Tensor
(T2T), un sistema open source per l'addestramento di modelli di Deep Learning in TensorFlow. T2T facilita la creazione di modelli allo stato dell'arte utilizzabili in un'ampia gamma di applicazioni ML, come la traduzione, il parsing, le didascalie per immagini e molto altro ancora, consentendoti di esplorare idee diverse più velocemente di prima. Questa versione comprende anche una libreria di set di dati e modelli, tra cui i migliori modelli di alcuni paper recenti (
Attention Is All You Need
,
Depthwise Separable Convolutions for Neural Machine Translation
e
One Model to Learn Them All
) per aiutarti a iniziare la tua ricerca DL.
Modello di traduzione
Tempi di addestramento
BLEU (differenza dalla baseline)
Transformer
(T2T)
3 giorni su 8 GPU
28,4 (+7,8)
SliceNet
(T2T)
6 giorni su 32 GPU
26,1 (+5,5)
GNMT + Mixture of Experts
1 giorno su 64 GPU
26,0 (+5,4)
ConvS2S
18 giorni su 1 GPU
25,1 (+4,5)
GNMT
1 giorno su 96 GPU
24,6 (+4,0)
ByteNet
8 giorni su 32 GPU
23,8 (+3,2)
MOSES
(baseline basata su frase)
N/D
20,6 (+0,0)
Punteggi BLEU (valore maggiore preferibile) in un'attività standard di traduzione WMT inglese-tedesco.
Per fare un esempio dei miglioramenti apportati da T2T, abbiamo applicato la libreria alla traduzione automatica. Come indicato nella tabella precedente, due diversi modelli T2T, SliceNet e Transformer, sorpassano il precedente
GNMT+MoE
, finora considerato il più avanzato. Il nostro miglior modello T2T, Transformer, supera di 3,8 punti il modello
GNMT
standard, che a sua volta era superiore di 4 punti a MOSES, il sistema di
traduzione basato su frase
. In particolare, grazie a T2T puoi accedere ai migliori risultati ottenuti in passato con una singola GPU in un giorno: un piccolo modello Transformer (non mostrato sopra) ottiene 24,9 BLEU dopo 1 giorno di addestramento su una singola GPU. Ora chiunque abbia una GPU può "armeggiare" con i propri modelli di traduzione grazie al nostro
repository github
che fornisce le
istruzioni
necessarie per farlo.
Addestramento modulare Multi-Task
La libreria T2T è creata con strumenti di TensorFlow già conosciuti e definisce i diversi componenti necessari in un sistema di Deep Learning: set di dati, architetture di modello, ottimizzatori, schemi di declino dei tassi di apprendimento, iperparametri e così via. Fondamentalmente impone un'interfaccia standard a tutti questi componenti e mette in atto le best practice correnti per ML, permettendoti così di scegliere qualsiasi set di dati, modello, ottimizzatore o insieme di iperparametri per eseguire l'addestramento e verificarne il funzionamento. Abbiamo reso l'architettura modulare, quindi qualsiasi elemento, dai dati di input all'output previsto, è una funzione da tensore a tensore (T2T). Se hai un'idea nuova per l'architettura del modello, non devi sostituire l'intera configurazione. Per tenere la parte incorporante, la perdita e tutto il resto, basta sostituire il corpo del modello con la tua funzione che utilizza un tensore come input e restituisce poi un tensore.
Grazie alla flessibilità di T2T, l'addestramento non richiede necessariamente un determinato modello o set di dati. È così facile che anche le architetture, come il famoso
modello LSTM sequenza per sequenza
, possono essere definite da
qualche riga di codice
. Si può anche addestrare un singolo modello su attività multiple ricavate da domini diversi e addirittura addestrare un solo modello su tutti i set di dati contemporaneamente. Siamo lieti di comunicare che il nostro
MultiModel
, addestrato in questo modo e incluso in T2T, offre ottimi risultati in molte attività, anche quando viene addestrato contemporaneamente su ImageNet (classificazione di immagini),
MS COCO
(didascalie per immagini),
WSJ
(riconoscimento vocale),
WMT
(traduzione) e sul corpus di parsing
Penn Treebank
. È la prima volta che un modello singolo ha dimostrato di poter eseguire tutte queste attività in contemporanea.
Best practice incorporate
Con questa release iniziale, ti forniamo gli script per generare una serie di set di dati ampiamente utilizzati nella comunità di ricerca
1
, una manciata di modelli
2
, una serie di configurazioni di iperparametri e un'implementazione performante di altri importanti trucchi del mestiere. È difficile elencarli tutti ma, se decidi di eseguire il tuo modello con T2T, riceverai gratuitamente la corretta spaziatura interna delle sequenze e la corrispondente perdita di entropia incrociata, parametri ben strutturati per l'ottimizzatore di Adam, il batching adattivo, l'addestramento distribuito sincrono, l'aumento dei dati affinato per le immagini, l'anti-aliasing delle etichette e una serie di configurazioni di iperparametri molto validi, inclusi quelli sopraelencati, che ottengono risultati avanzatissimi nella traduzione e possono aiutare anche te.
Ad esempio, l'attività di analisi delle frasi in inglese secondo gli alberi gerarchici sintattici è un problema decennale, per il quale sono stati sviluppati metodi competitivi ma anche impegnativi. Ora può essere considerato come un
problema sequenza per sequenza
ed essere risolto con le reti neurali, ma in passato richiedeva considerevoli sforzi di regolazione. Grazie a T2T abbiamo impiegato solo pochi giorni ad aggiungere il
generatore di dati di parsing
e a regolare il nostro modello di trasformer di attenzione per l'addestramento su questo problema. Con nostra grande sorpresa, abbiamo ottenuto ottimi risultati in una sola settimana:
Modello di parsing
Punteggio F1 (valore maggiore preferibile)
Transformer
(T2T)
91,3
Dyer et al.
91,7
Zhu et al.
90,4
Socher et al.
90,4
Vinyals & Kaiser et al.
88,3
Punteggi di parsing F1 sul set di test standard, sezione 23 del WSJ. Qui confrontiamo i modelli addestrati solo sul set Penn Treebank WSJ. Per ulteriori dettagli, consulta il
paper
.
Contributo a Tensor2Tensor
Oltre a esplorare modelli e set di dati esistenti, puoi definire facilmente il tuo modello e aggiungere i set di dati desiderati a Tensor2Tensor. Riteniamo che i modelli già inclusi funzionino correttamente con molte attività NLP, quindi anche solo aggiungere il tuo set di dati potrebbe produrre risultati interessanti. Grazie alla modularità di T2T, aggiungere il tuo modello e vedere come si comporta con le diverse attività sarà molto semplice. In tal modo l'intera comunità trarrà vantaggio da una libreria di baseline e la ricerca sul Deep Learning verrà accelerata. Vai al nostro
repository github
, prova i nuovi modelli e contribuisci con il tuo!
Riconoscimenti
La release di
Tensor2Tensor
è stata possibile solo grazie alla collaborazione internazionale di molti ingegneri e ricercatori. Vogliamo ringraziare in particolare il team che ha contribuito maggiormente (in ordine alfabetico):
Samy Bengio, Eugene Brevdo, Francois Chollet, Aidan N. Gomez, Stephan Gouws, Llion Jones, Łukasz Kaiser, Nal Kalchbrenner, Niki Parmar, Ryan Sepassi, Noam Shazeer, Jakob Uszkoreit, Ashish Vaswani.
1
Abbiamo incluso una serie di set di dati per la classificazione di immagini (MNIST, CIFAR-10, CIFAR-100, ImageNet), le didascalie per immagini (MS COCO), la traduzione (WMT con più lingue tra cui inglese-tedesco e inglese-francese), la modellazione linguistica (LM1B ), il parsing (Penn Treebank), l'inferenza del linguaggio naturale (SNLI), il riconoscimento vocale (TIMIT), i problemi algoritmici (oltre una dozzina di attività dall'inversione mediante somma e moltiplicazione all'algebra) e ne aggiungeremo altri. Non vediamo l'ora di ricevere anche i tuoi set di dati.
↩
2
Comprende RNN sequenza per sequenza LSTM, reti convolutive anche con convoluzioni separabili (ad es. Xception), modelli ricercati recentemente come ByteNet o la GPU neurale e i nuovi avanzatissimi modelli citati in questo post, che aggiorneremo costantemente nel repository.
↩
Anteprima per sviluppatori 4.1 di Android Things
17 luglio 2017
Pubblicato da
Wayne Piekarski
, Developer Advocate per IoT
Annunciamo l'uscita dell'Anteprima per sviluppatori 4.1 (DP4.1) di
Android Things
che introduce gli aggiornamenti per il nuovo hardware supportato e le correzioni di bug per la piattaforma. Android Things è la piattaforma di Google ideata per consentire agli sviluppatori Android di creare dispositivi Internet of Things (IoT) e passare con facilità dal prototipo alla produzione.
Nuovo hardware
È stata rilasciata la nuova scheda Pico i.MX6UL revisione B che supporta molte periferiche esterne comuni fornite da partner come Adafruit e Pimoroni. Alcuni dei prototipi della scheda Pico i.MX6UL, che erano disponibili per tester beta in passato, non sono compatibili con la DP4.1.
Miglioramenti
La DP4.1 presenta anche alcuni miglioramenti delle prestazioni rispetto alla DP4, come le ottimizzazioni che riducono il tempo di avvio dell'hardware basato su i.MX7D. L'anteprima per sviluppatori include anche una versione di Google Play Services ottimizzata appositamente per i dispositivi IoT. Questa nuova variante IoT è molto più piccola, è ottimizzata per l'uso con Android Things e richiede play-services 11.0.0 o versione successiva nel build.gradle. Per ulteriori informazioni sulle funzionalità supportate nella variante IoT di Google Play Services, consulta la
pagina informativa
.
Google I/O
La presenza di Android Things si è fatta sentire in occasione dell'ultimo Google I/O con 7 interventi sui diversi aspetti di Android Things per sviluppatori, che sono ora disponibili in formato video in una
playlist
per chi non ha potuto partecipare:
Novità per la piattaforma Google di IoT? Ubiquitous Computing a Google
Produzione di dispositivi disponibile per tutti con Android Things
Dal prototipo alla produzione di dispositivi con Android Things
Sviluppo per Android Things con Android Studio
Sicurezza per IoT su Android Things
Utilizzo di Google Cloud e TensorFlow su Android Things
Creazione per gli utenti d'impresa IoT con Android Things e Google Cloud Platform
Durante Google I/O è stata anche resa disponibile un'area codelab nella quale i partecipanti hanno potuto testare lo sviluppo di Android Things avvalendosi di alcune semplici guide di formazione. Ora chiunque può provare questi codelab su
https://codelabs.developers.google.com/?cat=IoT
Feedback
Ringraziamo tutti gli sviluppatori per il loro feedback sulle precedenti anteprime per sviluppatori. Continua a inviarci il tuo feedback con le
segnalazioni di bug
e le
richieste di funzionalità
e mandaci qualsiasi domanda a
stackoverflow
. Per scaricare le immagini di DP4.1, visita la pagina di
download
Android Things e scopri le ultime modifiche illustrate nelle
note sulla versione
. Puoi anche partecipare alla
Community di sviluppatori IoT di Google
su Google+, un'ottima risorsa per ricevere aggiornamenti e comunicare con oltre 5.600 altri membri.
Google Developers Day Europe, 5 e 6 Settembre a Cracovia
14 luglio 2017
In Google, amiamo avere conversazioni faccia a faccia con voi sviluppatori. Ci aiutano meglio a capire i vostri bisogni e migliorare la nostra offerta, così da rappresentare il mercato variegato in cui operiamo. Organizzare eventi è, per noi, un bel modo per avere queste conversazioni. Oggi apriamo le registrazioni per l’edizione europea della nostra serie di eventi globali - i
Google Developer Days (GDD)
. I Google Developer Days sono eventi in cui mostriamo gli ultimi aggiornamenti sui nostri prodotti e piattaforme, per aiutarvi a sviluppare applicazioni di qualità, far crescere e mantenere una base utente attiva e guadagnare di più.
GDD Europe
avverrà il
5-6 Settembre a Cracovia, in Polonia
. Ci saranno talk tecnici su diversi prodotti, incluso Android, Mobile Web, Firebase, Cloud, Machine Learning e IoT. In aggiunta, ci saranno opportunità per partecipare a sessioni hands-on, e la possibilità di parlare faccia a faccia con i Googlers e i Google Developer Experts.
Se sei interessato a partecipare ai GDD Europe,
la registrazione è aperta
.
Nel caso non riuscissi a venire, nessun problema. Tutti le sessioni saranno trasmesse in live streaming sul canale
YouTube Google Developers
, oltre ad essere registrate e rese disponibili dopo l’evento. E ci saranno anche diversi
GDD Extended
event organizzati in tutta Europa, per assistere all’evento assieme ad altri sviluppatori a te vicini.
Sia se parteciperai con noi di persona, sia da remoto, rimani aggiornato sulle ultime novità usando l'hashtag
#GDDEurope
su
Twitter
,
Facebook
, e
Google+
.
Presentazione di Fastlane precheck: invia la tua app all'App Store in tutta tranquillità
12 luglio 2017
Pubblicato da Joshua Liebowitz, Software Engineer
Può capitare a tutti: lavori incessantemente per creare una bella app, passi ore infinite a fare il testing beta e a risolvere i bug dopo aver creato un piano di marketing completo giusto in tempo per il lancio dell'app. Mesi di febbrile attesa finalmente culminano nell'invio dell'app all'App Store... ma invece di celebrare la nuova release, scopri che l'app non ha soddisfatto i requisiti necessari per l'inserimento negli elenchi ed è stata rifiutata.
Non c'è nulla di più demoralizzante che inciampare proprio prima del traguardo.
Le linee guida dell'App Store possono essere complicate e difficili da ricordare perché cambiano costantemente; ciò non toglie che gli sviluppatori devono rispettarle per far approvare le loro app. A volte è facile trascurare o ignorare queste linee guida nel mezzo di tutte le altre importanti operazioni di prelancio.
Per aiutarti a evitare inutili ritardi e rifiuti, siamo molto contenti di presentare Fastlane precheck per le app iOS!
Ora puoi contare su di noi per rammentare le regole e inviare la tua app in tutta tranquillità.
Ricontrolla la tua app in pochi secondi per evitare giorni di ritardi
Spesso le app vengono rifiutate dagli App Store a causa di problemi semplici e risolvibili riguardanti i metadati (ad esempio titolo, descrizione, changelog, parole chiave ecc.). Una volta respinta, l'app deve essere reinviata e possono passare giorni prima che venga ricontrollata. È uno spreco di tempo e può influire sulla tua tabella di marcia.
Invece di rischiare di ricevere un rifiuto o di dover faticosamente verificare i metadati, da ora puoi utilizzare Fastlane precheck per risparmiare tempo e fatica. Fastlane esaminerà la tua app alla ricerca delle cause più comuni di rifiuto.
Ad esempio i metadati saranno analizzati per controllare che rispettino le seguenti regole dell'App Store iOS:
Nella descrizione non sono menzionate altre piattaforme
Nel testo non sono presenti parolacce
Non sono presenti placeholder
Non sono presenti URL interrotti
Se rileviamo qualche problema, te lo segnaleremo così potrai risolverlo prima di inviare l'app all'App Store
. Visto che Fastlane può scaricare automaticamente i metadati della tua app, tutto questo processo richiederà solo pochi secondi!
Altre novità interessanti in arrivo
Fastlane precheck è il primo strumento nuovo che abbiamo aggiunto al nostro toolkit per l'automazione di app dopo l'ingresso in Google e abbiamo in serbo per te altri aggiornamenti ancora più interessanti! Dopo esserci posizionati in questo nuovo ambito, non vediamo l'ora di rendere disponibile Fastlane alla dinamica community di sviluppatori iOS e Android.
Per il momento
installa Fastlane
o aggiorna la tua versione di Fastlane (basta eseguire `fastlane update_fastlane`) per
provare Precheck
e inviare la tua app in tutta tranquillità.
Originariamente questo post è stato pubblicato nel
blog Fabric
. Fastlane è un set di strumenti per l'implementazione e l'automazione di app entrato a far parte di Firebase a gennaio nell'ambito dell'acquisizione di Fabric.
Google Cloud Launcher per un maggiore supporto dei container
10 luglio 2017
Pubblicato da Quan To, Senior Program Manager
I container sono una metodologia ripetibile e affidabile di implementazione sulla
Google Cloud Platform
(GCP). Visto il numero sempre crescente di richieste di adozione dei container, riscontriamo una chiara necessità di offrire più container preconfezionati, sicuri e mantenuti, che i clienti possano implementare facilmente nel loro ambiente. In occasione di Google Cloud Next '17, abbiamo
lanciato
le immagini base di runtime dei container per Debian, Ruby, OpenJDK, Jetty, Node.js e ASP.NET Core. Oggi siamo lieti di aggiungere i seguenti container gestiti da Google:
Cassandra
ElasticSearch
Jenkins
MongoDB
MySQL
Nginx
PostgreSQL
RabbitMQ
Redis
Wordpress
Le soluzioni container di Google sono gestite dagli sviluppatori di Google. Dal momento che manteniamo le immagini, i container disponibili su Google Cloud Launcher saranno aggiornati in base agli ultimi aggiornamenti delle applicazioni e di sicurezza.
Le soluzioni usate per costruire i container sono disponibili su
GitHub
affinché sia visibile pubblicamente come sono state create. Puoi utilizzare gli script e modificarli per creare la tua particolare versione di container. Ci impegniamo a garantire che i container non siano gonfiati e siano immagini "vanilla" (ossia standard, semplici).
A parte quello per l'infrastruttura, non ci sono costi aggiuntivi per utilizzare questi container, e sono compatibili con Docker e Kubernetes. Le immagini di container possono essere usate sulla GCP con
Google App Engine
,
Google Container Engine
, Docker o persino al di fuori della GCP in un ambiente
Kubernetes
in locale. Sono soluzioni a livello di produzione, ossia puoi implementarle su una macchina virtuale compatibile e gestire la tua attività da lì.
Il nostro team di sviluppatori desidera ricevere i feedback quindi sentiti libero di pubblicare sull'Issue tracker di GitHub in relazione alle soluzioni container, inclusi gli eventuali problemi o le richieste di funzionalità. Guarda l'elenco completo delle soluzioni container open source gestite dai Googler
qui
.
Se ancora non conosci GCP,
puoi facilmente iniziare dai
300 dollari di credito che offriamo per 12 mesi.
Etichette
Android
Firebase
GDL
Eventi
Google Developers Live
Chrome
Google Cloud Platform
GDLItalia
GDE
GDG
AppEngine
iOS
Google Developers Expert
Google Play
Università
Google AppEngine
GAE
HTML5
AMP
Google Play Store
AngularJS
Annunci
JavaScript
Maps
Android Wear
Polymer
Android Studio
Community
Entrepreneurship
Google Cast
Google I/O
Dart
DevTools
Drive
TensorFlow
GSoC
Google Assistant
Google Play Games
IoT
Android Things
App
Diversity
Material Design
PWA
Startup
api
security
AIY Project
Apps Script
Cardboard
Firebase Analytics
Python
Responsive Design
VR
Women
beacons
machine learning
Android O
Brillo
Compute Engine
Deep Learning
G Suite
GWT
GoLang
Google Cloud Messaging
Google ContainerEngine
Google I/O Extended
Kotlin
Kubernetes
Mobile
Project Tango
Research
SDK
Tales
Testing
Udacity
WTM
YouTube
analytics
sign-in
Actions on Google
Add-ons
Android Architecture
Android Go
Android Instant App
AndroidDevStory
AndroidTV
Betatesting
BigQuery
C++
Classroom
Cloud
Cloud Functions
Cloud TPU
Computer Science
Converge
DevFest
Firebase Cloud Messaging
GCE
GDD
Games
Glass
Gmail
Google App Script
Google Brain
Google Compute Engine
Google Developer Days
Google Identity Platform
Google Now
Google Play Console
Google Plus
Google+
GoogleDevWeekly
GoogleLaunchpad
Graph
Gsuite
Ingress
Instant Apps
Mobile Sites
Mondaygram
Monetization
NativeScript
PHA
Prediction
UX
WWW
authsub
botnet
coding
courses
designer
intelligenza artificiale
kids
maker
oauth
open source
openid
realtime
reti neurali
unity
verify apps
Archivio Blog
2017
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly
