在TensorFlow和PyTorch之间，你选择谁？
炼丹师们想必都被TF折磨过，静态图、依赖问题、莫名其妙的改接口，即便是谷歌发布了TF 2.0之后依然没有解决问题。在万般无奈下转投PyTorch后，世界都变晴了。
「人生苦短，我用PyTorch」
甚至从谷歌开始着手宣发新一代计算框架JAX来看，似乎官方都对TF有点放弃的意思了，TensorFlow距离坟墓只有半步之遥。
赶在TF七岁生日之前，TensorFlow的开发团队发布了一个博客，宣布TensorFlow将会继续开发，并且将会在2023年发布全新版本，对接口的脏、乱、差情况进行整改，并承诺100%向后兼容！
TensorFlow战未来
大约七年前，也就是2015年11月9日，TensorFlow正式开源。
也是从那时起，成千上万的开源贡献者和社区内的谷歌开发专家、社区组织者、研究人员和全球教育家都投入到TensorFlow的开发上。
七年后的今天，TensorFlow已然是最常用的机器学习平台，数以百万计的开发人员都在用。
TF是gitHub上排名第三的软件资源库(仅次于 Vue 和 React) ，也是 PyPI 上下载次数最多的机器学习软件包。
TF还将机器学习带入了移动生态系统: TFLite运行在40亿台设备。
TensorFlow 也把机器学习带到了浏览器中: TensorFlow.js的下载次数为每周17万次。
在谷歌的产品系列中，TensorFlow 几乎为所有的生产机器学习提供支持，包括搜索、 GMail、 YouTube、地图、Play、广告、照片等等。
除了谷歌以外，在Alphabet旗下的其他子公司中，TensorFlow和Keras也为Waymo的自动驾驶汽车提供了机器智能的基础。
在更广泛的行业中，TensorFlow 为数千家公司的机器学习系统提供动力，其中包括世界上大多数最大的机器学习用户——苹果、字节跳动、 Netflix、腾讯、 Twitter 等等。
在研究领域，每个月，Google Scholar都会收录超过3000篇新的科学文献中提到TensorFlow或Keras
TF走到今天，其用户基础和开发者生态系统比以往任何时候都更大，并且还在不断增长！
TensorFlow 的发展不仅是一个值得庆祝的成就，而且是一个机会，可以进一步为机器学习社区提供更多的价值。
开发团队的目标是提供地球上最好的机器学习平台，并努力将机器学习从一个小众行业转变为像Web开发一样成熟的产业。
为了实现这一目标，开发团队愿意倾听用户的需求，预测新的行业趋势，迭代软件的接口，并努力使大规模创新变得越来越容易。
机器学习正在迅速发展，TensorFlow 也是如此。
开发团队已经开始研究 TensorFlow 的下一个迭代版本，将支持下一个十年的机器学习开发，一起战未来！
TensorFlow的四大支柱
快速且可扩展：XLA 编译、分布式计算、性能优化
TF将专注于 XLA 的编译，在TPU性能优势的基础上，使大多数模型的训练和推理工作流程在 GPU 和 CPU 上更快。开发团队希望XLA成为深度学习编译器的行业标准，并且作为 OpenXLA 计划的一部分，目前已开源。
同时团队也开始研究可用于大规模模型并行的新接口DTensor，可能会开启超大型模型训练和部署的未来。用户开发大模型时，即便同时使用多个客户端，感知上也像在单机上训练一样。
DTensor将会与tf.distribution的接口进行统一，支持灵活的模型和数据并行。
开发团队还将进一步研究算法性能优化技术，如混合精度和降低精度的计算，可以提供相当大的GPU和TPU的速度提升。
应用机器学习
为计算机视觉和自然语言处理领域提供新工具。
团队正在研究的应用机器学习生态系统，特别是通过 KerasCV 和 KerasNLP 软件包为应用CV和NLP用例提供模块化和可组合的组件，包括大量最先进的预训练模型。
对于开发者来说，团队也将为流行的和新兴的应用机器学习用例添加更多的代码示例、指南和文档，最终目标是逐步减少机器学习的行业壁垒，并将其转变为每个开发人员手中的工具。
更容易部署
开发者将会容易导出模型，比如导出到移动设备(Android 或 iOS)、边缘设备(微控制器)、服务器后端或JavaScript会变得更加简单。
未来，将模型导出到 TFLite 和 TF.js 并优化其推理性能就像调用mod.export ()一样简单。
同时，团队也在开发用于本机服务端推理的公共TF2 C++接口，可以直接作为C++程序的一部分。
不管你是用JAX和TensorFlow Serving开发的模型，还是使用 TensorFlow Lite 和 TensorFlow.js 开发的移动和 Web 模型，都将会变得更容易部署。
更简单
随着机器学习领域在过去几年的扩张，TensorFlow的接口也越来越多，而且并不总是以一致或简单易懂的方式呈现。
开发团队正在积极地整合和简化这些 API，比如对数字采用 NumPy API 标准等。
模型的调试也是一个需要考虑的问题，优秀的框架不仅仅是它的API接口设计，也包括调试体验。
团队的目标是通过更好的调试能力，最大限度地缩短开发任何应用机器学习系统的解决时间。
承诺：100%向后兼容
开发团队希望 TensorFlow 成为机器学习行业的基石，所以API的稳定性也是最重要的特性。
作为一个依赖 TensorFlow 作为产品一部分的工程师，作为一个 TensorFlow 生态系统包的构建者，你可以升级到最新的TensorFlow 版本，并立即享受新功能和性能所带来的改进，而无需担心现有的代码库可能会崩溃。
因此，开发团队承诺从TensorFlow 2到下一个版本完全向后兼容性。
TensorFlow 2代码可以按原样运行，无需进行代码转换，也不需要进行手动更改。
团队计划在2023年第二季度发布 TensorFlow 新功能的预览版，并将在今年晚些时候发布产品版本。
