โครงการ TensorFlow เปิดตัวโครงการย่อย TensorFlow.js สำหรับการพัฒนาโมเดล deep learning บนเบราว์เซอร์หรือ Node.js (กำลังพัฒนา) โดยมุ่งเป้าจะทำให้โมเดล deep learning ที่รันบนจาวาสคริปต์นี้เร่งความเร็วด้วยฮาร์ดแวร์แบบเดียวกับโครงการหลัก

การรันโมเดลบนเบราว์เซอร์จะอาศัย WebGL ในการเชื่อมต่อกับชิปกราฟิกเพื่อเร่งความเร็ว ขณะที่การรันบน Node.js เตรียมจะรองรับทั้งบนชิปกราฟิก, ซีพียู, และ TPU ชิปสำหรับ deep learning ของกูเกิลเอง

ปัญญาประดิษฐ์ในช่วงหลังๆ เริ่มมุ่งปัญหาใหม่ๆ ที่เครือข่ายแบบเดิมๆ แก้ไขไม่ได้ เช่น กระบวนการเพิ่มความละเอียดภาพ, สร้างภาพจากคำบอกเล่า, ไปจนถึงการเปลี่ยนฤดูกาลในภาพถ่าย แนวทางเช่นนี้ทำให้เครือข่ายประเภท Generative Adversarial Networks (GANs) ได้รับความนิยมขึ้นมา ตอนนี้กูเกิลก็เพิ่มไลบรารี TFGAN เพื่อการพัฒนาเครือข่าย GAN บน Tensorflow เข้ามาแล้ว

TensorFlow โดยปกติแล้วมักใช้สำหรับการคำนวณข้อมูลเป็นอาเรย์ขนาดใหญ่ๆ ทำให้ตัว API ออกแบบมาไม่ได้รันทีละคำสั่งเหมือนภาษาโปรแกรมทั่วไป แต่ต้องจัดเรียงโมเดลแล้วสั่งรันทีเดียว แม้ว่าจะทำให้ประสิทธิภาพดีและสามารถนำโมเดลไปรันบนชิปกราฟิกได้ แต่ก็ทำให้การพัฒนาและดีบั๊กทำได้ยากขึ้นมาก ตอนนี้ทางโครงการก็เพิ่มโหมดการรันแบบ eager execution ขึ้นมา ทำให้รันทีละคำสั่งได้เหมือนการรันโปรแกรมปกติ

เมื่อเปิดโหมดการทำงานนี้ ผลลัพธ์แต่ละขั้นตอนจะอยู่ในรูปแบบที่อ่านได้ทันที การพิมพ์ผลลัพธ์ด้วยฟังก์ชั่น print ก็จะเห็นแมทริกซ์ผลลัพธ์ออกมาให้อ่านได้เลย

TensorFlow ใกล้ออกเวอร์ชั่น 1.4 เต็มที โดยตอนนี้ release candidate 1 (rc1) ก็ออกมาแล้วทำให้เริ่มแน่ชัดว่าจะมีฟีเจอร์อะไรเข้ามาบ้าง โดยส่วนสำคัญที่สุดคงเป็นการรวม Keras เข้ามาเป็นโมดูลหลักของโครงการ

Keras ถูกสร้างครั้งแรกเพื่อสร้าง API ระดับสูงให้กับ Theano และรองรับทั้ง CNTK และ TensorFlow ในภายหลัง แต่โครงการได้รับความนิยมในการใช้ร่วมกับ TensorFlow อย่างสูง ทำให้ตอนนี้มักใช้ร่วมกันเสมอๆ

อีกโครงการที่รวมเข้ามาคือ tf.data ที่เดิมอยู่ใน tf.contrib.data

กูเกิลเปิดตัว TensorFlow Lattice ชุดของ TensorFlow Estimator สำหรับการสร้างฟังก์ชั่นเพื่อทำนายผลลัพธ์ แต่ออกแบบมาเพื่อรองรับชุดข้อมูลที่อาจจะมีข้อผิดพลาดอยู่บ้าง โดยเปิดให้นักพัฒนากำหนดเงื่อนไขบางส่วนล่วงหน้า

ตัวอย่างของการใช้งาน เช่น การแนะนำร้านกาแฟ ที่ปกติแล้วร้านกาแฟยิ่งไกลยิ่งไม่ควรแนะนำนัก แม้ว่าจะมีผู้ใช้บางคนยอมเดินไกลก็ตาม ชุดข้อมูลที่ไม่สมบูรณ์อาจจะทำให้ร้านกาแฟที่ไกลมากๆ กลายเป็นควรแนะนำเพราะข้อมูลฝึกมีกลุ่มผู้ชอบเดินไกลอยู่ Lattice เปิดทางให้นักพัฒนากำหนดได้ว่าข้อมูลควรไปทางเดียวกัน (monotonic)

ทีมงาน TensorFlow เปิดโครงการย่อยบทความสอนการทำ neural machine translation (NMT) ในแบบ sequence-to-sequence (seq2seq) โดยใช้ API ใน TensorFlow 1.2 โดยมีทั้งบทความและโค้ดตัวอย่างที่สามารถใช้ชุดข้อมูลที่เปิดเผยมาใช้งานได้ทันที

ตัวบทเรียนมีตั้งแต่การทำตัวแปลพื้นฐาน ด้วย encoder-decoder ไปจนถึงการสร้าง attention mechanism และโมเดล NMT ใหม่ๆ เช่น bi-directional RNNs, beam search, ไปจนถึงการทำ multiple GPU สำหรับ attention mechanism

ตัวอย่างใช้ชุดข้อมูลภาษาอังกฤษ-เวียดนาม, และอังกฤษ-เยอรมัน ถ้าใครมีชุดข้อมูลภาษาไทยเอามาแบ่งปันกันได้ครับ

กูเกิลปล่อยโครงการ Tensor2Tensor (T2T) ชุดเครื่องมือสำหรับช่วยแยกปัญหาออกจากการออกแบบโมเดล deep learning ทำให้สามารถทดลองปัญหาเดิมกับโมเดลใหม่ๆ ได้มากขึ้น ช่วยให้นักวิจัยสามารถออกแบบโมเดลได้อย่างมีประสิทธิภาพ พร้อมกับสาธิตการใช้งานด้วยรายงานวิจัย MultiModel โมเดล deep learning ที่ทำงานหลายอย่างได้พร้อมกัน ได้แก่ บรรยายภาพ, จัดหมวดหมู่ภาพ, แปลภาษา, แปลงเสียงเป็นข้อความ, และวิเคราะห์โครงสร้างประโยค

โครงการ TensorFlow เพิ่ม Object Detection API สำหรับการจับวัตถุในภาพ โดยรองรับเครือข่าย 5 แบบพร้อมกับค่า weight ที่ฝึกกับชุดข้อมูล COCO มาเรียบร้อยแล้ว ทำให้คนทั่วไปสามารถสร้างระบบตรวจจับวัตถุใช้เองได้ทันที

เครือข่ายนิวรอน 5 แบบที่รองรับได้แก่ Single Shot Multibox Detector (SSD) with MobileNets, SSD with Inception V2, Region-Based Fully Convolutional Networks (R-FCN), Faster RCNN with Resnet 101, และ Faster RCNN with Inception Resnet v2