机器学习框架tensorflow技术（TensorFlowHub更新了机器学习快速入门）
机器学习框架tensorflow技术（TensorFlowHub更新了机器学习快速入门）来自TensorFlow Hub团队的Jeremiah Harmsen发布了一个Kaggle示例，演示了如何利用TensorFlow Hub的预训练模块来解决Kaggle上的情绪分析挑战。2017年iNaturalist Kaggle Challenge的获奖者发表了一篇描述他们的方法的论文，并在TensorFlow Hub上发布了他们的模型，展示了转学习的优势。我们正在通过Google Brain团队开发的新模块不断扩展TensorFlow Hub库存。 最近增加的一个是在Open Images v4上训练的FasterRCNN模块。 该模块可以加载并用于使用一行代码执行对象检测：detector = hub.Module( “https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1" ) 通过该
在之前的文章中，我们宣布了TensorFlow Hub，这是一个在TensorFlow中发布，发现和重用部分机器学习模块的平台。 该平台的一个重要部分是其Web体验，它允许开发人员针对其用例发现TensorFlow模块。今天，我们正在为TensorFlow Hub推出新的Web体验，以便更轻松地进行搜索和发现。
TensorFlow Hub是一个共享可重用ML的平台，我们的愿景是为研究人员和开发人员提供一种方便的方式，与更广泛的社区分享他们的工作。 Universal Sentence Encoder模块是加速从基础机器学习科学到更广泛的开发人员社区应用程序的成功范例。 该文件引用了该模块的tfhub.dev URL。 当该URL被复制到浏览器中时，它将指向模块的详细信息页面，发布者共享文档和指向Colab笔记本的链接以试用该模块。 Universal Sentence Encoder已成为TF Hub上最受欢迎的模块之一。
正如您所料，您可以在TF Hub上搜索和过滤模块。 文本模块对您的问题的适用性取决于他们接受培训的数据。 在上面的例子中，我们向您展示了搜索文本嵌入并按语言过滤它们是多么容易：西班牙语，以查找在西班牙语数据上训练的NNLM模块。
物体检测变得简单
我们正在通过Google Brain团队开发的新模块不断扩展TensorFlow Hub库存。 最近增加的一个是在Open Images v4上训练的FasterRCNN模块。 该模块可以加载并用于使用一行代码执行对象检测：
detector = hub.Module( “https://tfhub.dev/google/faster_rcnn/openimages_v4/inception_resnet_v2/1" )
通过该模块，我们发布了一个Colab笔记本，允许您加载它并检查其输出。 以下是来自unsplash.com的图像和检测到的对象的示例。
Colab笔记本将引导您完成下载模块并应用它，所有这些都在短短几分钟内完成。
2017年iNaturalist Kaggle Challenge的获奖者发表了一篇描述他们的方法的论文，并在TensorFlow Hub上发布了他们的模型，展示了转学习的优势。
来自TensorFlow Hub团队的Jeremiah Harmsen发布了一个Kaggle示例，演示了如何利用TensorFlow Hub的预训练模块来解决Kaggle上的情绪分析挑战。
适用于产品团队的TensorFlow Hub
除了消费在https://tfhub.dev上发布的模块之外，TensorFlow Hub库还允许您将模块发布到私有存储并从中使用。 这允许团队共享模块并从彼此的工作中受益。
您可以使用文件系统路径，而不是通过其tfhub.dev URL引用模块：
m = hub.Module(“/tmp/text-embedding”) embeddings = m(sentences)
要创建这些自定义嵌入，请按照我们的“创建模块”教程。
在今年的Google I/0 2018大会上，谷歌发布了新一代TPU处理器——TPU 3.0。TPU 3.0的性能相比目前的TPU 2.0有8倍提升，可达10亿亿次。
TPU全名为Tensor Processing Unit，是谷歌研发的一种神经网络训练的处理器，主要用于深度学习、AI运算。在7月份的Next 云端大会，谷歌又发布了 Edge TPU 芯片抢攻边缘计算市场。虽然都是 TPU，但边缘计算用的版本与训练机器学习的 Cloud TPU 不同，是专门用来处理AI预测部分的微型芯片。Edge TPU可以自己运行计算，而不需要与多台强大计算机相连，因此应用程序可以更快、更可靠地工作。它们可以在传感器或网关设备中与标准芯片或微控制器共同处理AI工作。
