Publicado por Fred Alcober y Sandeep Gupta, en representación del equipo de TensorFlow
TensorFlow celebró su tercer evento para desarrolladores más grande del año hasta el momento en Sunnyvale (California) el 6 y el 7 de marzo de 2019. Aproximadamente 1,000 aficionados asistieron al evento de aprendizaje automático y decenas de miles miraron la transmisión en vivo.



A tres años de su lanzamiento, TensorFlow se convirtió en un ecosistema de aprendizaje automático (AA) de extremo a extremo que ayuda a impulsar la revolución del AA que está ocurriendo a nuestro alrededor. Se ha descargado más de 41 millones de veces y tiene más de 1,800 colaboradores en todo el mundo. Como una plataforma de AA completa, TensorFlow ayuda a un grupo diverso de profesionales, investigadores y nuevos usuarios a brindar soluciones nuevas e increíbles para resolver problemas difíciles de la IA. Por ejemplo:
En el evento para desarrolladores, anunciamos la versión Alfa de TensorFlow 2.0, que marca el comienzo de la era de TensorFlow 2.0 y brinda las capacidades poderosas de TensorFlow a más desarrolladores e investigadores, lo cual facilita más que nunca la compilación y el uso del AA. También anunciamos nuevas asociaciones comunitarias e iniciativas educativas con O’Reilly Media, Udacity, Deeplearning.ai en Coursera y fast.ai para ayudar a promover la colaboración de software libre y entrenar a la próxima generación de nuevos usuarios. Asimismo, escuchamos a nuestra comunidad y actualizamos por completo la documentación de los desarrolladores, y rediseñamos tensorflow.org para facilitar aún más los accesos a recursos e información.
Además de implementar las actualizaciones técnicas del equipo de TensorFlow, estuvimos en contacto con muchos de nuestros usuarios en una ronda de charlas brillantes en las que se expusieron aplicaciones increíbles. También organizamos espacios de hackers, sesiones informales y talleres donde los asistentes interactuaron con el equipo de TensorFlow, obtuvieron respuestas para sus preguntas y aprendieron y compartieron con los demás.
Estos son los aspectos destacados y los anuncios clave del evento.

Fácil de usar

Para TensorFlow 2.0, el enfoque principal ha sido lograr que la API sea más simple, más intuitiva y natural para todos los usuarios. Estamos haciendo que los componentes de la API se integren mejor con tf.keras, ya que es la API general recomendada para la mayoría de los usuarios. Esto permitirá que los desarrolladores pasen de la ingestión de datos, la transformación, la compilación de modelos, la preparación y el guardado a la implementación mucho más fácilmente. Lanzamos los conjuntos de datos de TensorFlow, una recopilación de conjuntos de datos de AA de uso frecuente para facilitar su utilización en TensorFlow.


Los desarrolladores principiantes en AA de Roma están usando TensorFlow para ayudar a los paleógrafos a descifrar manuscritos medievales

Junto con la versión Alfa de TensorFlow 2.0, proporcionamos herramientas de conversión y migración, y documentación como ayuda para la transición del código 1.x al 2.0. Estos y muchos otros recursos, ejemplos y estudios de casos están disponibles en el nuevo sitio web de TensorFlow: tensorflow.org.

Poder para experimentar e inventar

TensorFlow está acelerando las investigaciones de vanguardia. Esto comienza con la flexibilidad para que los investigadores creen prototipos de sus ideas de manera rápida, prueben varios experimentos y los repitan. Estamos optimizando la experiencia del desarrollo con las nuevas características de TensorFlow 2.0, como la función de eager execution predeterminada, los flujos de control intuitivos de Python, la optimización automática de eager code con tf.function y una mensajería de errores considerablemente mejorada.


Los investigadores de NERSC del Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory y NVIDIA ganaron el Gordon Bell Prize por escalar exitosamente una aplicación de aprendizaje profundo en la supercomputadora Summit usando TensorFlow para estudiar los efectos del clima extremo

La investigación a gran escala del aprendizaje automático también requiere una informática masiva paralela. Desde el año pasado, hemos aumentado la velocidad de la preparación en 8 V100 a más del doble. Con una Cloud TPU v2, impulsamos el rendimiento 1.6 veces y, con la aceleración de Intel MKL, aumentamos más de 3 veces la velocidad de inferencia. Lograr que el rendimiento sea excelente de manera inmediata es uno de los principales objetivos de TensorFlow 2.0 y una parte fundamental de nuestro progreso hacia la versión final.
El ecosistema de TensorFlow incluye una gran recopilación de complementos muy poderosos que expanden TensorFlow de formas nuevas y útiles. Algunos de los complementos que describimos incluyen:
  • TensorFlow Federated: una biblioteca para que el aprendizaje federado aproveche los datos descentralizados, anunciada en el evento
  • TensorFlow Privacy: una biblioteca en desarrollo que ofrecerá herramientas para ayudar a preparar modelos con privacidad diferencial
  • TensorFlow Probability: una biblioteca para usar métodos probabilísticos en modelos de AA a fin de hacer predicciones para superar la incertidumbre e incorporar conocimientos especializados
  • TensorFlow Agents: una biblioteca para el aprendizaje por refuerzo en TensorFlow 2.0
  • Avances en el procesamiento de texto y secuencias, como la compatibilidad con el texto Unicode y el nuevo tipo de RaggedTensor para datos con formas no uniformes
  • Mesh TensorFlow: una biblioteca poderosa para que los investigadores compilen y preparen modelos de escala masiva con técnicas de paralelismo
  • Sonnet de DeepMind: un ejemplo de cómo los laboratorios de investigación pueden crear sus propias bibliotecas en el marco de trabajo modular y flexible de TensorFlow

Producción en todas las plataformas y en cualquier idioma

Trasladar los modelos de la investigación a la producción siempre ha sido una de las principales fortalezas y metas de TensorFlow. Al usar TensorFlow, puedes implementar modelos en una gran cantidad de plataformas, como servidores, la nube, dispositivos móviles y otros dispositivos periféricos, navegadores y muchas otras plataformas JavaScript.


Los ingenieros de AirBnB usan TensorFlow para clasificar adecuadamente las millones de imágenes de casas cargadas por día a gran escala

TensorFlow para la producción

TensorFlow Extended (TFX) brinda a los usuarios la administración completa del ciclo de vida del aprendizaje automático. Está compuesto por varias bibliotecas, y hemos anunciado nuevas características de estos componentes. No obstante, la innovación más significativa es la compatibilidad con la orquestación, que permite proporcionar a los usuarios una plataforma integrada de extremo a extremo (consulta un ejemplo aquí). Gracias a la compatibilidad con el orquestador de cada usuario, los componentes de TFX se integran con un almacén de metadatos. Este almacén hace un seguimiento de todas las ejecuciones de componentes, de los artefactos que se incluyeron y de aquellos que se produjeron. Esto habilita características avanzadas, como el seguimiento de experimentos y las comparaciones de modelos, que mejorarán en gran medida los casos de uso de producción.

TensorFlow para dispositivos móviles e Internet de las cosas

El uso de TensorFlow Lite, nuestra solución para la ejecución de modelos en sistemas móviles e incorporados, ha aumentado exponencialmente en todo el mundo y hoy en día se ejecuta en más de 2,000 millones de dispositivos móviles. De esta manera, lidera la última generación de AA en dispositivos. Ayuda a los usuarios a resolver casos de uso, como la generación de textos predictivos, la clasificación de imágenes, la detección de objetos, el reconocimiento de audio, el reconocimiento de texto a voz y de voz a texto, la segmentación de video y la detección de bordes, entre muchos otros.
En el evento, escuchamos de qué manera empresas globales como Alibaba XianYuin y Netease usan TensorFlow Lite para proporcionar a sus usuarios mejores experiencias de aplicación. También hablamos del increíble rendimiento del AA de TensorFlow Lite y cómo está impulsando el AA en aplicaciones de Google destacadas, por ejemplo, la Búsqueda, el Asistente, las Fotos y Pixel.
Ha habido mejoras importantes en la usabilidad general de TensorFlow Lite y las características de conversión de modelos, además de un mayor enfoque en la optimización (es decir, la cuantificación digital) y el rendimiento (es decir, la aceleración de GPU). También mostramos cómo TensorFlow Lite está impulsando el aprendizaje automático en el borde y la IoT en plataformas de como Coral TPU y los microcontroladores (MCU).

TensorFlow para JavaScript

JavaScript es uno de los lenguajes de programación más usados y TensorFlow.js brinda AA a los desarrolladores de JavaScript. Desde su lanzamiento, ha tenido una adopción impresionante de la comunidad, con más de 300,000 descargas y 100 colaboradores. En el evento, anunciamos TensorFlow.js versión 1.0. Las características más importantes de este lanzamiento incluyen mejoras de rendimiento significativas (MobileNet v1 es 9 veces más rápido en el navegador para la inferencia en comparación con el año pasado), muchos modelos nuevos ya disponibles para que los desarrolladores web los incorporen en las aplicaciones y compatibilidad con más plataformas donde se ejecuta JavaScript. Empresas como AirBnB y Uber, entre otras, usan TensorFlow.js en entornos de producción y vemos nuevos casos de uso increíbles a diario en la galería de proyectos TensorFlow.js de nuestra comunidad.
Además de la implementación, TensorFlow.js se puede usar para compilar y preparar modelos de aprendizaje automático directamente en JavaScript tanto en navegadores como en Node.js.

Swift para TensorFlow

También compartimos nuestro progreso con el nuevo paquete de Swift para TensorFlow. Con el reciente lanzamiento de la versión 0.2, los usuarios pueden ver un aumento de la usabilidad y pueden probar este paradigma nuevo de AA. Para que sea más fácil comenzar a trabajar con Swift, lanzamos un curso nuevo de aprendizaje automático con Swift para TensorFlow de fast.ai.

Compromiso con el crecimiento de la comunidad

El éxito de TensorFlow se debe en gran parte a su increíble comunidad en crecimiento de usuarios y desarrolladores. Desarrollamos TensorFlow 2.0 mediante una colaboración cercana con la comunidad a través de un proceso de RFC abierto, varios grupos de interés especial y los comentarios y las pruebas de nuestra comunidad de desarrolladores de Google expertos.
Lanzamos una campaña nueva de #PoweredByTF y estamos descubriendo proyectos increíbles creados por nuestros usuarios. Anunciamos el programa Google Summer of Code, en el que los estudiantes pueden postularse para trabajar con el equipo de ingenieros de TensorFlow en proyectos prácticos de desarrollo. También lanzamos un nuevo desafío Powered by TF presentado por DevPost específicamente para que los usuarios creen y compartan lo último y lo mejor con TensorFlow 2.0.
Los recursos educativos de buena calidad son esenciales para la democratización y la adopción del aprendizaje automático. Anunciamos dos recursos educativos nuevos para facilitar los primeros pasos de los principiantes y los estudiantes con TensorFlow. El primero es el curso 1 de deeplearning.ai, llamado “Intro to TensorFlow for AI, ML and DL”, que forma parte de la serie TensorFlow: From Basics to Mastery de Coursera. El segundo es Intro to TensorFlow for Deep Learning de Udacity. Ambos cursos están diseñados para desarrolladores, no requieren experiencia previa en aprendizaje automático y ya están disponibles.
Por último, anunciamos TensorFlow World, una conferencia de una semana dedicada a promover la colaboración de software libre y todo lo referido a TensorFlow. Esta conferencia, presentada en conjunto por O’Reilly Media y TensorFlow, se llevará a cabo en Santa Clara (California) en la semana del 28 de octubre. Nuestra visión es reunir a quienes forman parte del mundo de TensorFlow y darles la oportunidad de conectarse entre sí. Está abierta la convocatoria de propuestas para que los asistentes envíen ponencias sobre proyectos interesantes de TensorFlow o para que las empresas muestren sus soluciones con TensorFlow. Esperamos verlos allí.
En Google, creemos que la investigación y las aplicaciones de la IA avanzarán más rápido cuando todos los usuarios tengan acceso a las mejores herramientas, lo cual permitirá que todos participen. TensorFlow se dedica a facultar a todos los usuarios del AA. Tenemos el compromiso de trabajar con la comunidad a fin de facilitar el uso de TensorFlow para todos y nunca dejar de promover la IA.