对 TensorFlow 来说，2019 年是激动人心的一年。从发布 TensorFlow 2.0 和几个产品更新，再到在 11 个不同国家 / 地区举办的全球路演，以及首次举办的 TensorFlow World，今年的主题是 TensorFlow 如何帮助世界各地的开发人员、研究人员和企业通过机器学习来解决具有挑战性的现实问题。随着 TensorFlow 迎来四周岁的生日，我们将回顾我们在过去一年来所做的努力。
TensorFlow 2.0
我们在加利福尼亚州森尼韦尔市举行了第三届年度开发者峰会，由此拉开了这一年的序幕。我们发布了 TensorFlow 2.0 的 alpha 版本，这是该平台迄今为止最大的一个版本，它使得开发人员构建机器学习系统变得更加容易。
带有 TensorFlow 的机器学习设备
对于设备上运行 TensorFlow 来说，2019 年是重要的一年。从帮助测量空气质量的应用程序，再到 Google Coral Dev Boards，甚至是 Google I/O 2019 舞台上进行现场演示，TensorFlow 为这一切都提供了动力。对于 TensorFlow Lite 更新，我们在 Model Optimization Toolkit（模型优化工具包）中添加了训练后的半精度浮点量化（float16 quantization）和一个新的剪枝 API，同时还发布了一个针对单片机（microcontrollers）的 TensorFlow Lite 指南。
随着机器学习在许多不同的平台和设备上运行，我们很高兴宣布推出 MLIR，这是一种灵活的基础设施，它可以解决由于软件和硬件不断增长的碎片化带来的复杂性，并使人工智能应用程序的构建变得更加容易。
社区更新
正是因为有了 TensorFlow 社区，TensorFlow 才会成为世界上最受欢迎的机器学习平台之一，在 2019 年，社区为这个生态系统做出了很大的贡献！从回答 Stack Overflow 的问题，到推特上积极与 TensorFlow（@tensorflow）官推互动，再到帮助翻译文档和创建特别兴趣小组，今年社区为 TensorFlow 生态系统的各个方面都做出了重大贡献。我们还希望，通过重新设计 tensorflow.org 网站、翻译文档以及推出新的博客来改善开发人员的体验，以确保我们支持他们的努力。
这是我们第一次参加 Google Code-in，这是一个 Google 举办的全球性的在线程序设计竞赛，目的是向青少年介绍开源开发的世界。我们还在 DevPost 上发起了新的 2.0 黑客松（hackathon），让你分享最新最棒的项目，并赢得奖品。此外，我们还与 Kaggle 合作发起了一项竞赛，向你挑战问答任务。这项竞赛截止到 1 月 22 日，祝你好运！我们将在 TensorFlow 开发者峰会 2020 上报道介绍获奖者。
TensorFlow 2.0 全面发行
作为 2019 年 9 月开发者峰会 2019 上发布 alpha 版本的后续，我们很高兴正式发布 TensorFlow 2.0！这是社区的一个巅峰时刻，它告诉我们，他们想要的是一个易于使用的平台，可以在任何设备上运行。
插件和扩展是 TensorFlow 生态系统的重要组成部分，这就是为什么我们希望确保它们也兼容 TensorFlow 2.0 的原因。现在，在 TensorFlow 2.0 中，你可以使用流行的库了，如 TF Probability、TF Agents、TF Text with 2.0 等。我们还引入了许多新的库，以更有用的方式帮助研究人员和机器学习从业者，如神经结构学习（Neural Structure Learning）和新的公平性指标（Fairness Indicators）插件。
https://v.qq.com/x/page/m3040gva05r.html
想使用 TensorFlow 1.x 并要转换到 2.0？没问题！我们的团队已经编写了迁移指南，以及如何有效使用 TensorFlow 2.0 的指南。
TensorFlow World
我们与 O’Reilly 媒体出版公司合作，在加利福尼亚州圣克拉拉会议中心举办了首届 TensorFlow World，为这一年画上了句号。有超过 1000 名机器学习爱好者参加了此次活动，还有数千人通过 livestream 观看了实况转播。
https://v.qq.com/x/page/t3040oc0jnk.html
这次活动包括为期两天的技术培训和为期两天的主题演讲。在活动中，我们发布了一些令人兴奋的公告，包括：
TensorFlow Hub 和 TensorBoard.dev 的更新
我们更新了 TensorFlow Hub 的体验，这样，你就可以更直观地在 TensorFlow 生态系统中找到所有的预训练模型，比如 BERT。这意味着你可以找到与图像、文本、视频等相关的模型，它们可以与 TensorFlow Lite 和 TensorFlow.js 一起使用。
TensorFlow 的可视化工具包 TensorBoard，可以帮助任何人详细分析他们的机器学习实验。在 TensorFlow World 上，我们还发布了 TensorBoard.dev，这是一种托管的 TensorBoard 体验，可以让你上传并与任何人分享你的机器学习实验结果。现在，你可以托管并跟踪你的所有机器学习实验，并轻松地免费共享它们，而无需进行任何设置。只需简单地上传你的日志并创建一个 URL 即可！
新的教育资源
TensorFlow.org 网站上新出的学习机器学习页面以提供书籍、课程和视频为特色，帮助用户提高机器学习知识，并学习如何将机器学习应用到他们的项目中。此外，我们还宣布了新的 4 门专业课程：“ “TensorFlow: Data and Deployment””（TensorFlow：数据与部署），现在可以通过 deeplearning.ai 下载该课程了。
我们还宣布了新的教育资源，并在 Coursera 平台上与 deeplearning.ai 以及与 Udacity 建立了合作伙伴关系，创建培训下一代机器学习用户的课程。
https://v.qq.com/x/page/g3040b3ob3a.html
可信合作伙伴试点计划
对于企业来说，寻找合适的资源来实现机器学习解决方案可能很困难。为了向企业提供帮助，我们启动了 TensorFlow 可信合作伙伴试点计划。TensorFlow 可信合作伙伴试点计划将 TensorFlow 团队验证的系统集成商与开始使用机器学习的企业连接起来。我们目前可信的合作伙伴包括 Accenture、Cognizant、Quantiphi、Wipro 等。
TensorFlow 2.1 第一个发布候选版现已可用
11 月份，我们发布了 TensorFlow 2.1 的候选版本，它延续了 TensorFlow 2.0 的发展势头，并进行了重大改进和错误修复。有关更多详细信息，你可以在 GitHub 上找到发行说明。在 2.1 版本中，TensorFlow 现在就可以支持 Cloud TPU。这意味着对于高性能的训练场景，你现在就可以使用分布策略 API（Distribution Strategy API），只需最小的代码即可更改来分发训练，并在 Cloud TPU 上获得出色的开箱即用性能。要了解更多详细信息，请查看分布式训练指南。
在默认情况下，2.1 还包括一个 pip 包，在 Linux 和 Windows 机器上，无论是否配备 NVIDIA GPU，都能够对 GPU 提供支持。此外，TensorFlow 现在支持 CUDA 10.1，而且在 GPU 和 Cloud TPU 上都提供了混合精度的实验支持。TensorRT 6.0 现在支持并默认启用，这将为 TensorFlow 操作增加更多的支持。
原文链接：
https://blog.tensorflow.org/2019/12/looking-back-at-2019.html?m=1