Tensorflow 1.0；TensorFlow 相容 Spark；Python 遷移到 GitHub 等 | AI 研習社週刊

分類＼數碼
時間＼2017-02-20

2 月 13 日~ 2 月 19 日，AI 開發者圈子裡發生的那些事兒：

Tensorflow 1.0 發佈

在本月 15 日揭幕的 TensorFlow 開發者峰會上，穀歌正式發佈了 TensorFlow 1.0 版本。新版本帶來三大主要優化：

大幅提升的運算速度，尤其是對於多 GPU、分散式運算場景。

對高級別 API 有更好的相容性，尤其完全相容 Keras

改進 API 穩定性

本次峰會在加州山景城舉行，是 TensorFlow 史上第一屆開發者峰會，頗值得大家關注。

雅虎開源 TensorFlow On Spark

它使得深度學習框架 TensorFlow 能與 Apache Spark 中的資料集相容。對於使用 Spark 來處理不同類型資料的機構和開發者來說，這無疑是一個好消息。TensorFlowOnSpark 的開原始程式碼，已基於 Apache 2.0 協定在 GitHub 上發佈。

GitHub 地址：

https://github.com/yahoo/TensorFlowOnSpark

Python 正式遷移到 GitHub

Python 正式遷移到源碼託管平臺 GitHub，擁抱了 Git 版本控制系統。

Python 社區早在2014年就開始討論是否遷移到 GitHub 以改進開發流程，當時 Python 使用的版本控制系統是 Mercurial，而 GitHub 只支援 Git 版本控制系統，所以這也意味著 Python 需要遷移到 Git。2016 年 1 月，Python 項目正式宣佈遷移到 GitHub，從 Mercurial 切換到 Git 。

微軟開源無人機虛擬訓練平臺 AirSim

它全稱為“Aerial Informatics and Robotics Platform”。該平臺的目的是訓練自動駕駛無人機，並使它們更安全。

它包含一個高度模擬真實世界的模擬器，並能幫助開發者快速編寫控制飛行機器人的代碼。無人機、飛行機器人工程師可用收集到的資料，在該平臺上訓練 AI 飛行系統，在虛擬世界中進行測試。在開發出原型機之前，就可以進行技術驗證。

其 beta 測試版本已發佈於 GitHub。

GitHub 地址：

https://github.com/Microsoft/AirSim

微軟公佈口語翻譯語料庫

微軟亞洲研究院通過官方微博宣佈公開微軟口語翻譯語料庫：Microsoft Speech Language Translation (MSLT) Corpus。該語料庫允許研究人員對照一套包含法語，德語和英語的多回合雙語對話資料集，衡量其自有對話翻譯系統的品質和有效性，旨在幫助人們標準化測試其各自對話語音翻譯系統的運行效果。

值得一提的是，微軟在上周剛剛開源了Graph Engine（分散式圖處理引擎）和基於該引擎的一種可用於子圖和路徑查詢的資料查詢語言LIKQ （Language-Integrated Knowledge Query）。

PowerAI 人工智慧開發平臺支援 TensorFlow 0.12 架構

2 月 14 日，IBM正式宣佈其PowerAI 人工智慧開發平臺現在支援由谷歌原創的 TensorFlow 0.12 架構。

PoweAI 人工智慧平臺基於 POWER8 體系結構，支援企業級開源機器學習和深度學習架構。通過 IBM 的 PowerAI 人工智慧平臺，TensorFlow能為企業開發先進的機器學習產品與系統，提供新的快速、靈活以及產能完備的開發工具。

在最新版的PowerAI人工智慧平臺，IBM 還增加了 Chainer 深度學習架構。PowerAI 人工智慧平臺目前包括了 CAFFE, Chainer, TensorFlow, Theano, Torch, cuDNN, NVIDIA DIGITS 以及其它若干個機器學習與深度學習架構和庫。

密西根大學發明超微型深度學習電腦 Micro Mote

近期在美國三藩市舉辦的IEEEE國際固態電路研討會上（IEEE International Solid-State Circuits Conference ，ISSCC)上，來自美國密西根大學的David Blaauw和Dennis Sylvester教授向公眾展示了他們最新的研究成果：一系列名為Micro Mote的超微型電腦，它的體積比指甲蓋還小，功耗僅288微瓦。

根據應用領域的不同，這些Micro Mote的外設、體積和功耗也不盡相同。值得一提的是，其中一款集成了深度學習功能的Micro Mote只需要288微瓦（microwatts）的功耗就可以運行神經網路模型。根據報導，密西根大學的研究者是通過重新設計晶片架構的方式實現了這一突破。