Local blog for Italian speaking developers
Punti salienti del TensorFlow Dev Summit 2018
11 aprile 2018
Originariamente pubblicato da Sandeep Gupta, Product Manager per TensorFlow, da parte del team TensorFlow sul
TensorFlow Blog
.
Il 30 marzo scorso si è tenuto il secondo
TensorFlow Developer Summit
al Computer History Museum di Mountain View in California. L'evento ha riunito più di 500 utenti TensorFlow e in migliaia si sono sintonizzati in live streaming per assistere agli eventi TensorFlow da ogni parte del mondo. La giornata è stata ricca di annunci di nuovi prodotti e talk tecniche da parte del team TensorFlow e dei relatori invitati. Ecco i punti salienti dell'evento.
Il machine learning sta risolvendo problematiche complesse che hanno un impatto su ognuno di noi nel mondo. I problemi che ritenevamo impossibili o troppo complessi da risolvere ora non lo sono più, grazie a questa tecnologia. Utilizzando TensorFlow abbiamo già ottenuto progressi da gigante in svariati campi, come:
Gli astrofisici usano TensorFlow per analizzare grandi quantità di dati ottenuti dalla missione di Keplero e
scoprire nuovi pianeti
.
I ricercatori medici usano tecniche ML con TensorFlow per valutare il
rischio cardiovascolare di infarto e ictus nelle persone
.
I controllori del traffico aereo usano TensorFlow per
prevedere le rotte di volo in spazi aerei affollati
e favorire atterraggi sicuri ed efficienti.
Gli ingegneri usano TensorFlow per analizzare i dati acustici nella foresta pluviale e
individuare gli autocarri utilizzati per il disboscamento e altre attività illegali
.
Gli scienziati in Africa usano TensorFlow per individuare le malattie nelle piante di manioca e migliorare la resa dei raccolti.
Siamo entusiasti di vedere queste incredibili applicazioni di TensorFlow e ci impegneremo per renderle accessibili a più sviluppatori possibili. Questo è il motivo per cui siamo lieti di annunciare i nuovi aggiornamenti di TensorFlow che contribuiranno a migliorare l'esperienza degli sviluppatori!
TensorFlow più facile da usare
I ricercatori e gli sviluppatori vogliono un modo più semplice di usare TensorFlow. Pertanto stiamo integrando un modello di programmazione più intuitivo per gli sviluppatori Python, chiamato
Eager Execution
, che rimuove la distinzione tra la creazione e l'esecuzione dei grafici computazionali. È possibile sviluppare con Eager Execution e poi utilizzare lo stesso codice per generare un grafico equivalente per l'addestramento su scala utilizzando l'API Estimator di alto livello. Annunciamo anche un nuovo metodo per l'
esecuzione dei modelli Estimator
per GPU multiple su una singola macchina: ciò consente agli sviluppatori di scalare rapidamente i loro modelli con modifiche minime al codice.
Poiché i modelli di machine learning diventano più diffusi e complessi, vogliamo renderne più semplice la condivisione, il riutilizzo e il debug. Per consentire agli sviluppatori di condividere e riutilizzare i modelli, annunciamo
TensorFlow Hub
, una libreria creata per favorire la pubblicazione e la scoperta di moduli (parti autonome del grafico TensorFlow) che possono essere riutilizzati in attività simili. I moduli contengono pesi che sono stati preaddestrati su set di dati di grandi dimensioni e possono essere riqualificati e impiegati nelle applicazioni. Riutilizzando un modulo, lo sviluppatore può addestrare il modello usando un set di dati più piccolo, migliorare la generalizzazione o semplicemente accelerarne l'addestramento. Per semplificare i modelli di debug, abbiamo anche rilasciato un nuovo
plug-in grafico interattivo per debugger
, nell'ambito dello strumento di visualizzazione TensorBoard, che consente di ispezionare e passare tra i nodi interni di un grafico computazionale in tempo reale.
L'addestramento del modello è solo una parte del processo di machine learning, e gli sviluppatori necessitano di una soluzione che operi end-to-end per creare sistemi ML veri e propri. A tal fine, annunciamo la roadmap per TensorFlow Extended (TFX) insieme al lancio di TensorFlow Model Analysis, una libreria open source che combina la potenza di TensorFlow e Apache Beam per calcolare e visualizzare le metriche di valutazione. I componenti di TFX rilasciati finora (inclusi
TensorFlow Model Analysis
,
TensorFlow Transform
,
Estimators
e
TensorFlow Serving
) sono ben integrati e consentono agli sviluppatori di preparare dati, addestrare, convalidare e distribuire modelli TensorFlow in produzione.
TensorFlow disponibile in più linguaggi e piattaforme
Oltre a rendere TensorFlow più facile da usare, annunciamo che ora gli sviluppatori possono utilizzare TensorFlow in altri linguaggi.
TensorFlow.js
è un nuovo framework ML per sviluppatori JavaScript. Utilizzando TensorFlow.js, il machine learning nel browser apre nuove possibilità entusiasmanti, per esempio il ML interattivo e il supporto di scenari in cui tutti i dati rimangono sul lato client. Può essere usato per creare e addestrare i moduli interamente nel browser oltre a importare modelli TensorFlow e Keras addestrati offline per l'inferenza adoperando l'accelerazione WebGL. Il
gioco Emoji Scavenger Hunt
è un esempio divertente di un'applicazione creata usando TensorFlow.js.
Abbiamo anche alcune notizie interessanti per i programmatori Swift:
TensorFlow for Swift
sarà open source da aprile. TensorFlow for Swift non è il tipico linguaggio vincolante per TensorFlow. Integra un compilatore di prima classe e il supporto linguistico, fornendo tutta la potenza dei grafici insieme all'usabilità di Eager Execution. Il progetto è ancora in fase di sviluppo. Seguiranno ulteriori aggiornamenti!
Presentiamo inoltre gli ultimi aggiornamenti di
TensorFlow Lite
, la soluzione leggera e multipiattaforma di TensorFlow per la distribuzione di modelli ML addestrati su dispositivi mobili ed edge. Oltre al supporto esistente per Android e iOS, annunciamo il supporto per Raspberry Pi, un maggiore supporto per ops/modelli (incluse le operazioni personalizzate) che illustra come gli sviluppatori possono facilmente utilizzare TensorFlow Lite nelle proprie app. Ora l'interprete principale di TensorFlow Lite è solo di 75 KB (rispetto a 1,1 MB per TensorFlow) e abbiamo ottenuto accelerazioni fino a tre volte superiori quando si eseguono modelli di classificazione di immagini quantizzate su TensorFlow Lite rispetto a TensorFlow.
Per il supporto hardware ora TensorFlow offre l'
integrazione con TensorRT di NVIDIA
. TensorRT è una libreria che ottimizza i modelli di deep learning per l'inferenza e crea un runtime per la distribuzione sulle GPU negli ambienti di produzione. Apporta una serie di ottimizzazioni a TensorFlow e seleziona automaticamente kernel specifici della piattaforma per massimizzare la velocità effettiva e ridurre al minimo la latenza durante l'inferenza sulle GPU.
Per gli utenti che eseguono TensorFlow sulle CPU, la nostra partnership con Intel ha reso possibile
l'integrazione con la libreria Intel MKL-DNN open source altamente ottimizzata
per il deep learning. Con Intel MKL-DNN abbiamo osservato un aumento della velocità di inferenza fino a tre volte superiore nelle diverse piattaforme CPU Intel.
L'elenco delle piattaforme che eseguono TensorFlow è aumentato, fino a comprendere i Cloud TPU, che sono stati
rilasciati in versione beta
il mese scorso. Il team Google Cloud TPU ha già ottenuto un forte aumento nelle prestazioni di ResNet-50 pari all'1,6 rispetto al lancio. Questi miglioramenti saranno disponibili prossimamente per gli utenti nella versione 1.8 di TensorFlow.
Abilitazione di nuove applicazioni e domini grazie a TensorFlow
Molti problemi di analisi dei dati vengono risolti usando metodi statistici e probabilistici. Oltre ai modelli di deep learning e delle reti neurali, ora TensorFlow fornisce metodi all'avanguardia per l'analisi bayesiana tramite l'
API TensorFlow Probability
. Questa libreria contiene blocchi predefiniti, come distribuzioni di probabilità, metodi di campionamento nonché nuove metriche e perdite. Molti altri metodi classici di ML offrono un supporto persino maggiore. Ad esempio, gli alberi decisionali potenziati possono essere facilmente addestrati e distribuiti utilizzando
classi di alto livello predefinite
.
Il machine learning e TensorFlow hanno già contribuito a risolvere problemi impegnativi in molti settori diversi. Una delle aree in cui osserviamo il notevole impatto di TensorFlow è la genomica, motivo per cui stiamo rilasciando
Nucleus
, una libreria per leggere, scrivere e filtrare i formati comuni di file di genomica da utilizzare all'interno di TensorFlow. Questo, insieme a
DeepVariant
, uno strumento open source basato su TensorFlow per la scoperta della variante genomica, contribuirà a stimolare nuove ricerche e progressi in questo campo.
Espansione delle risorse e dell'impegno della community
Questi aggiornamenti di TensorFlow mirano a favorire e ad accrescere la community degli utenti e dei contributori, ossia le migliaia di persone che aiutano a rendere TensorFlow uno dei framework ML più popolari al mondo. Per continuare a collaborare con la community e rimanere aggiornati su TensorFlow, abbiamo lanciato il nuovo
blog ufficiale di TensorFlow
e il
canale YouTube di TensorFlow
. Per semplificare le collaborazioni all'interno della community, abbiamo avviato
nuove mailing list
e
gruppi di interesse speciali
progettati per supportare gli sforzi open source di specifici progetti. Per scoprire come far parte della community, visita la pagina
TensorFlow Community
e, come sempre, puoi seguire le ultimissime notizie di TensorFlow su
Twitter
.
Siamo incredibilmente grati a tutti coloro che hanno contribuito a rendere TensorFlow un framework ML di successo negli ultimi due anni. Grazie per aver partecipato o seguito il live streaming, e ricordate di utilizzare #MadeWithTensorFlow per condividere il modo in cui risolvete problemi impegnativi e di forte impatto con il machine learning e TensorFlow!
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
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