ทีม Google Research ปล่อยโครงการ TensorFlow 3D (TF 3D) โมเดลปัญญาประดิษฐ์สำหรับตรวจจับวัตถุสามมิติโดยเฉพาะ สำหรับใช้งานจากข้อมูลที่ได้จากเซ็นเซอร์สามมิติไม่ว่าจะเป็นโมดูล LIDAR หรือกล้องสามมิติก็ตาม

TF 3D มีโมเดลสำหรับแยกส่วนวัตถุจากข้อมูลสามมิติ (segmentation) และตรวจจับวัตถุ (object detection) การตรวจจับวัตถุจะได้เอาต์พุตเป็นกล่องสามมิติ สามารถบอกจุดศูนย์กลางและทิศทางที่วัตถุหันอยู่ได้

ตัวโครงการพัฒนาบน TensorFlow 2 รองรับชุดข้อมูล Waymo Open (สแกนถนน), ScanNet (ในอาคาร), และ Rio สำหรับการฝึก

กูเกิลเขียนบล็อกอธิบายถึงโครงการ Pixelopolis ที่เป็นโครงการสาธิตการใช้ TensorFlow Lite เพื่อสร้างปัญญาประดิษฐ์สำหรับแท็กซี่ไร้คนขับที่ประมวลผลด้วยโทรศัพท์ Pixel 4 เพียงเครื่องเดียว

Pixelopolis มีแอปเรียกแท็กซี่ไปยังจุดต่างๆ ในเมืองจำลองที่มีป้ายบอกตำแหน่ง ตัวรถแท็กซี่จิ๋วต้องสามารถขับรถให้อยู่กลางเลน, หยุดรถเพื่อหลบหลีกรถคันอื่นๆ บนถนน, และอ่านป้ายบอกทางให้ถูกต้อง โดยมีโมเดลปัญญาประดิษฐ์แบบ deep learning สองโมเดล คือโมเดลควบคุมทิศทางให้อยู่ในเลน (lane keeping) และโมเดลตรวจจับวัตถุโดยรอบ

โครงการ TensorFlow เปิดตัว TensorFlow Developer Certificate ใบรับรองความสามารถของนักพัฒนาว่าสามารถทำงานกับโมเดลแบบต่างๆ ได้ครอบคลุม

นักพัฒนาที่จะสอบผ่านใบรับรองได้ต้องผ่านการทดสอบ 5 หมวดได้แก่ การสร้างโมเดลพื้นฐาน, การสร้างโมเดลจากชุดข้อมูล, โมเดล convolutional neural network (CNN) สำหรับการวิเคราะห์ภาพ, การทำ NLP จัดหมวดหมู่ข้อความ, และการสร้างโมเดลแบบ sequence เพื่อวิเคราะห์ชุดข้อมูลตัวเลข

ทีม TensorFlow ของกูเกิลร่วมกับมหาวิทยาลัย Waterloo และ Volkswagen สร้างไลบรารี TensorFlow Quantum (TFQ) ที่เป็น TensorFlow เวอร์ชั่นเตรียมพร้อมทำงานร่วมกับคอมพิวเตอร์ควอนตัม

TFQ ต่างจาก TensorFlow ปกติหลายอย่าง โดยมันต้องใช้งานร่วมกับข้อมูลควอนตัม (quantum data) ไม่ใช่ข้อมูลปกติ และตัวโมเดลยังแบ่งออกเป็นสองส่วน เรียกว่า hybrid quantum-classical models โดยข้อมูลควอนตัมจะผ่านโมเดลนิวรอนควอนตัม จากนั้นแปลงเป็นข้อมูลคลาสสิคด้วยการหาค่าเฉลี่ย (sample of average) ออกมา เพื่อเข้าโมเดลนิวรอนแบบปกติต่อไป

กูเกิลเปิดตัว TensorFlow Enterprise ไบนารีรุ่นพิเศษของ TensorFlow ที่ปรับแต่งมาเพื่อการทำงานร่วมกับ Google Cloud Platform โดยเฉพาะ พร้อมกับรับประกันแพตช์ความปลอดภัยยาว 3 ปีสำหรับลูกค้าองค์กรที่ไม่ต้องการเปลี่ยนเวอร์ชั่นบ่อยๆ

ความสามารถเฉพาะของ TensorFlow Enterprise คือการอ่านข้อมูลจาก Cloud Storage ได้เร็วกว่า TensorFlow ปกติมาก ผลทดสอบของกูเกิลแสดงว่าอ่านได้เร็วกว่าเกือบเท่าตัว ขณะเดียวกันก็เพิ่มความสามารถดึงข้อมูลจาก BigQuery ได้โดยตรง (ฟีเจอร์ปล่อยเป็นโอเพนซอร์สแล้ว)

TensorFlow ประกาศออกรุ่น 2.0 ตัวจริง หลังจากปล่อยรุ่นอัลฟ่าเมื่อเดือนมีนาคมที่ผ่านมา โดยความเปลี่ยนแปลงสำคัญ คือ รุ่นนี้จะผูกกับ Keras แน่นแฟ้นกว่าเดิม และกระบวนการพัฒนาจะเหมือนกับเขียนโปรแกรมไพธอนทั่วไปมากขึ้น จากการปรับรูปแบบฟังก์ชั่นและการเปิดฟีเจอร์ eager execution เป็นค่าเริ่มต้น

ตัวไฟล์โมเดล SavedModel ของ TensorFlow ถูกปรับปรุังเป็นมาตรฐาน ทำให้นำโมเดลไปรันได้ทั้งบนคลาวด์, บนอุปกรณ์ปลายทาง ด้วย TensorFlow Lite, และบนเว็บด้วย TensorFlow.JS

กูเกิลปล่อยโครงการย่อยสำหรับ TensorFlow บนภาษาอื่นๆ เพิ่มเติมในงาน TensorFlow Dev Summit ปีนี้ โดยอัพเดต TensorFlowJS เป็นรุ่น 1.0 พร้อมใช้งานแล้ว

TensorFlowJS มาพร้อมกับเมเดลพร้อมใช้ 5 โมเดล ได้แก่

TensorFlow ประกาศเปิดตัววิชาเรียนฟรี 2 ชุดพร้อมกันบนสองแพลตฟอร์ม คือ Coursera และ Udacity

บน Coursera คือวิชา Intro to TensorFlow for AI, ML and DL เป็นการสอน TensorFlow ระดับเริ่มต้น เวลารวมชั่วโมงกว่าๆ เท่านั้น โดยวิชานี้เป็นวิชาแรกในชุดวิชา TensorFlow: from Basics to Mastery ที่จะเปิดวิชาอื่นเพิ่มภายหลัง

ที่งาน TensorFlow Dev Summit ทีมงาน TensorFlow ประกาศปล่อยรุ่น 2.0.0 alpha ออกมาให้ใช้งานกันแล้ว โดยความเปลี่ยนแปลงสำคัญคือโมเดลการเขียนโปรแกรมจากเดิมที่ต้องคิดเป็นกราฟ ในเวอร์ชั่นนี้จะสามารถเขียนโปรแกรมได้คล้ายไพธอนปกติมากขึ้น

Rajat Monga หัวหน้าฝ่ายวิศวกรรมของโครงการ Tensorflow เปิดเผยในงาน World AI Conference (WAIC) ที่เซี่ยงไฮ้ว่าภายในปีนี้ โค้ดรองรับเอเอ็มดีผ่านแพลตฟอร์ม ROCm น่าจะถูกรวมเข้ามาสู่โครงการหลักภายในปีนี้ หลังจากที่โครงการหลักรองรับเฉพาะชิปกราฟิก NVIDIA มาตั้งแต่เริ่มโครงการ

โครงการ TensorFlow ประกาศรองรับ Raspberry Pi อย่างเป็นทางการ โดยอาศัยไลบรารี libatlas ใน Raspbian 9

ตอนนี้ TensorFlow 1.9 ใน PyPI เป็นเวอร์ชั่นที่รองรับ Raspberry Pi แล้วทำให้ผู้ใช้ Raspbian ใช้เพียงสองคำสั่งคือ

sudo apt install libatlas-base-dev
pip3 install tensorflow

ข้อจำกัดสำคัญของ Raspberry Pi คงเป็นเรื่องของหน่วยความจำที่มีความจุไม่มากนัก การออกแบบโมเดลสำหรับคอมพิวเตอร์ขนาดเล็กเช่นนี้คงต้องเลือกโมเดลที่มีขนาดเล็กพอ และยังทำงานได้ดี