策划｜Natalie
编译｜无明
机器学习为人类带来了无限可能性。TensorFlow已经被应用到众多领域，并取得了可喜的成果。
天体物理学家使用TensorFlow分析大量来自NASA的数据，发现了新的行星。
医学研究人员使用TensorFlow来评估病人罹患心血管疾病的风险。
空中交通指挥中心使用TensorFlow来预测飞机的飞行路径，让飞行更安全、着陆更高效。
工程师使用TensorFlow分析热带雨林的监测数据，用以检测伐木车和其他非法活动。
非洲的科学家使用TensorFlow检测木薯植物的患病情况，帮助农民增加收成。
在大会上，TensorFlow团队宣布了TensorFlow的最新特性，这些特性将给开发者带来更好的开发体验。
TensorFlow变得更容易使用
开发者希望TensorFlow能够进一步提升易用性，于是TensorFlow团队为Python开发提供了一个直观的编程模型，叫作“eagerexecution”。开发者可以基于该模型开发代码，然后使用相同的代码生成用于训练的计算图。TensorFlow团队还提供了一种在单台机器的多个GPU上运行评估模型的方法，开发者可以在只改动少量代码的情况下快速地扩展模型。
机器学习模型变得越来越复杂，为了帮助开发者更好地分享和重用模型，TensorFlow团队推出了TensoFlowHub，用于发布和查找可重用的模块（TensorFlow图的独立片段）。这些模块已经包含了权重信息，而且可能已经在大数据集上预训练过，可以直接用在开发者的应用程序中。通过重用这些模块，开发者只需要在更小的数据集上训练模型，从而加快了训练速度。他们还发布了一个交互式的调试插件，作为TensorBoard可视化工具的一部分，开发者可用它实时地跟踪计算图的内部节点。
模型训练只是机器学习过程的步骤之一，开发者需要一种端到端的解决方案来构建真实的机器学习系统。为此，TensorFlow团队发布了TensorFlowExtended（TFX）路线图，同时推出了TensorFlowModelAnalysis，一个组合了TensorFlow和ApacheBeam强大计算能力的开源库。现在，开发者已经能够基于已发布的TFX组件（包括TensorFlowModelAnalysis、TensorFlowTransform、Estimators和TensorFlowServing）进行数据准备、数据训练、数据验证，以及将模型部署到生产环境。
TensorFlow支持更多的语言和平台
现在，开发者可以在更多的编程语言中使用TensorFlow。TensorFlow.js是最新推出的一个JavaScript机器学习框架。使用TensorFlow.js在浏览器上进行机器学习为我们带来了新的可能性，包括交互式的机器学习和基于客户端数据的机器学习。开发者可以使用该框架在浏览器上训练模型，或者导入离线训练的TensorFlow和Keras模型，然后使用WebGL加速进行推理。这个游戏就是使用TensorFlow.js开发的。
用于Swift的TensorFlow将于4月份开源，这对于Swift开发者来说无疑是个激动人心的好消息。它集成了原生的编译器和语言支持，基于eagerexecution模型提供了强大的图计算能力。该项目还在开发当中，后续会有更多进展。
TensorFlowLite也迎来了更新。除了Android和iOS，现在还支持RaspberryPi。TensorFlowLite的核心解析器只有75KB大小（TensorFlow的为1.1MB），运行量化图形分类模型的速度最快可以达到TensorFlow的3倍。
在硬件方面，TensorFlow集成了NVIDIA的TensorRT。TensorRT是一个机器学习库，用于优化深度学习模型以及创建运行时以便在GPU上部署模型。这给TensorFlow带来了多方面的优化，可以自动选择特定的平台内核，在GPU上进行推理时最大化吞吐量和最小化延迟。
对于那些在CPU上运行TensorFlow的用户来说，TensorFlow的合作伙伴英特尔发布了用于深度学习的MKL-DNN开源库。据观察，在任意英特尔CPU平台上运行推理时，速度有了3倍的提升。
运行TensorFlow的平台在增多，包括CloudTPU在内。谷歌CloudTPU团队已经将运行ResNet-50的速度提升了1.6倍，这些改进将会在1.8版本中开放给TensorFlow用户。
将TensorFlow应用到新的领域
很多数据分析问题是通过统计和概率的方法来解决的。除了深度学习和神经网络模型，TensorFlow还提供了TensorFlowProbabilityAPI，用于进行贝叶斯分析。这套API提供了一些构建块，如概率分布、取样方法和最新的度量指标和损失。
机器学习和TensorFlow已经在很多领域帮助人类解决了关键性挑战。下一个TensorFlow可能进入的领域是基因学，这也就是为什么TensorFlow团队发布了Nucleus库，用于读取、写入和过滤公共基因文件格式，以便在TensorFlow中使用。同时发布的还有DeepVariant，一个基于TensorFlow的工具，用于发现基因变异，这将给基因研究带来重大帮助。
丰富社区资源和提高参与度
TensorFlow的这些更新是献给社区用户和贡献者的厚礼，数千名社区贡献者让TensorFlow成为流行的机器学习框架之一。为了加强社区的参与度和密切