對 TensorFlow 來說，2019 年是激動人心的一年。從發佈 TensorFlow 2.0 和幾個產品更新，再到在 11 個不同國家 / 地區舉辦的全球路演，以及首次舉辦的 TensorFlow World，今年的主題是 TensorFlow 如何幫助世界各地的開發人員、研究人員和企業通過機器學習來解決具有挑戰性的現實問題。隨着 TensorFlow 迎來四周歲的生日，我們將回顧我們在過去一年來所做的努力。
TensorFlow 2.0
我們在加利福尼亞州森尼韋爾市舉行了第三屆年度開發者峯會，由此拉開了這一年的序幕。我們發佈了 TensorFlow 2.0 的 alpha 版本，這是該平臺迄今爲止最大的一個版本，它使得開發人員構建機器學習系統變得更加容易。
帶有 TensorFlow 的機器學習設備
對於設備上運行 TensorFlow 來說，2019 年是重要的一年。從幫助測量空氣質量的應用程序，再到 Google Coral Dev Boards，甚至是 Google I/O 2019 舞臺上進行現場演示，TensorFlow 爲這一切都提供了動力。對於 TensorFlow Lite 更新，我們在 Model Optimization Toolkit（模型優化工具包）中添加了訓練後的半精度浮點量化（float16 quantization）和一個新的剪枝 API，同時還發布了一個針對單片機（microcontrollers）的 TensorFlow Lite 指南。
隨着機器學習在許多不同的平臺和設備上運行，我們很高興宣佈推出 MLIR，這是一種靈活的基礎設施，它可以解決由於軟件和硬件不斷增長的碎片化帶來的複雜性，並使人工智能應用程序的構建變得更加容易。
社區更新
正是因爲有了 TensorFlow 社區，TensorFlow 纔會成爲世界上最受歡迎的機器學習平臺之一，在 2019 年，社區爲這個生態系統做出了很大的貢獻！從回答 Stack Overflow 的問題，到推特上積極與 TensorFlow（@tensorflow）官推互動，再到幫助翻譯文檔和創建特別興趣小組，今年社區爲 TensorFlow 生態系統的各個方面都做出了重大貢獻。我們還希望，通過重新設計 tensorflow.org 網站、翻譯文檔以及推出新的博客來改善開發人員的體驗，以確保我們支持他們的努力。
這是我們第一次參加 Google Code-in，這是一個 Google 舉辦的全球性的在線程序設計競賽，目的是向青少年介紹開源開發的世界。我們還在 DevPost 上發起了新的 2.0 黑客鬆（hackathon），讓你分享最新最棒的項目，並贏得獎品。此外，我們還與 Kaggle 合作發起了一項競賽，向你挑戰問答任務。這項競賽截止到 1 月 22 日，祝你好運！我們將在 TensorFlow 開發者峯會 2020 上報道介紹獲獎者。
TensorFlow 2.0 全面發行
作爲 2019 年 9 月開發者峯會 2019 上發佈 alpha 版本的後續，我們很高興正式發佈 TensorFlow 2.0！這是社區的一個巔峯時刻，它告訴我們，他們想要的是一個易於使用的平臺，可以在任何設備上運行。
插件和擴展是 TensorFlow 生態系統的重要組成部分，這就是爲什麼我們希望確保它們也兼容 TensorFlow 2.0 的原因。現在，在 TensorFlow 2.0 中，你可以使用流行的庫了，如 TF Probability、TF Agents、TF Text with 2.0 等。我們還引入了許多新的庫，以更有用的方式幫助研究人員和機器學習從業者，如神經結構學習（Neural Structure Learning）和新的公平性指標（Fairness Indicators）插件。
https://v.qq.com/x/page/m3040gva05r.html
想使用 TensorFlow 1.x 並要轉換到 2.0？沒問題！我們的團隊已經編寫了遷移指南，以及如何有效使用 TensorFlow 2.0 的指南。
TensorFlow World
我們與 O’Reilly 媒體出版公司合作，在加利福尼亞州聖克拉拉會議中心舉辦了首屆 TensorFlow World，爲這一年畫上了句號。有超過 1000 名機器學習愛好者參加了此次活動，還有數千人通過 livestream 觀看了實況轉播。
https://v.qq.com/x/page/t3040oc0jnk.html
這次活動包括爲期兩天的技術培訓和爲期兩天的主題演講。在活動中，我們發佈了一些令人興奮的公告，包括：
TensorFlow Hub 和 TensorBoard.dev 的更新
我們更新了 TensorFlow Hub 的體驗，這樣，你就可以更直觀地在 TensorFlow 生態系統中找到所有的預訓練模型，比如 BERT。這意味着你可以找到與圖像、文本、視頻等相關的模型，它們可以與 TensorFlow Lite 和 TensorFlow.js 一起使用。
TensorFlow 的可視化工具包 TensorBoard，可以幫助任何人詳細分析他們的機器學習實驗。在 TensorFlow World 上，我們還發布了 TensorBoard.dev，這是一種託管的 TensorBoard 體驗，可以讓你上傳並與任何人分享你的機器學習實驗結果。現在，你可以託管並跟蹤你的所有機器學習實驗，並輕鬆地免費共享它們，而無需進行任何設置。只需簡單地上傳你的日誌並創建一個 URL 即可！
新的教育資源
TensorFlow.org 網站上新出的學習機器學習頁面以提供書籍、課程和視頻爲特色，幫助用戶提高機器學習知識，並學習如何將機器學習應用到他們的項目中。此外，我們還宣佈了新的 4 門專業課程：“ “TensorFlow: Data and Deployment””（TensorFlow：數據與部署），現在可以通過 deeplearning.ai 下載該課程了。
我們還宣佈了新的教育資源，並在 Coursera 平臺上與 deeplearning.ai 以及與 Udacity 建立了合作伙伴關係，創建培訓下一代機器學習用戶的課程。
https://v.qq.com/x/page/g3040b3ob3a.html
可信合作伙伴試點計劃
對於企業來說，尋找合適的資源來實現機器學習解決方案可能很困難。爲了向企業提供幫助，我們啓動了 TensorFlow 可信合作伙伴試點計劃。TensorFlow 可信合作伙伴試點計劃將 TensorFlow 團隊驗證的系統集成商與開始使用機器學習的企業連接起來。我們目前可信的合作伙伴包括 Accenture、Cognizant、Quantiphi、Wipro 等。
TensorFlow 2.1 第一個發佈候選版現已可用
11 月份，我們發佈了 TensorFlow 2.1 的候選版本，它延續了 TensorFlow 2.0 的發展勢頭，並進行了重大改進和錯誤修復。有關更多詳細信息，你可以在 GitHub 上找到發行說明。在 2.1 版本中，TensorFlow 現在就可以支持 Cloud TPU。這意味着對於高性能的訓練場景，你現在就可以使用分佈策略 API（Distribution Strategy API），只需最小的代碼即可更改來分發訓練，並在 Cloud TPU 上獲得出色的開箱即用性能。要了解更多詳細信息，請查看分佈式訓練指南。
在默認情況下，2.1 還包括一個 pip 包，在 Linux 和 Windows 機器上，無論是否配備 NVIDIA GPU，都能夠對 GPU 提供支持。此外，TensorFlow 現在支持 CUDA 10.1，而且在 GPU 和 Cloud TPU 上都提供了混合精度的實驗支持。TensorRT 6.0 現在支持並默認啓用，這將爲 TensorFlow 操作增加更多的支持。
原文鏈接：
https://blog.tensorflow.org/2019/12/looking-back-at-2019.html?m=1