路线图

最近一次更新：2018.02.15

TensorFlow 是一个频繁更新并且社区活跃的项目。这份文档旨在提供关于 TensorFlow 高优先级领域以及核心开发成员专注领域的发展路线指南，也包括一些在将来发行的 TensorFlow 版本中备受期待的功能。许多灵感受到了社区用例的启发，我们也欢迎对 TensorFlow 进行更多的贡献。

即将到来的 TensorFlow 2.0

如同近期宣布的一样，我们已经开始了下一个 TensorFlow 主版本的工作。TensorFlow 2.0 着眼于易用性，将是一个意义重大的里程碑。以下是 TensorFlow 2.0 的一些亮点：

• 动态执行是 2.0 版本的核心特征。它使用户对编程模型的期望与 TensorFlow 实际表现更好地一致，并且使 TensorFlow 更易于学习和使用。
• 支持更多平台和语言，并通过标准化交换格式和接口对齐，提升了组件间的兼容性和等价性。
• 我们会移除废弃的 API 并减少重复代码，这样可以避免用户感到困惑。

关于 2.0 版本的更多详细内容和相关的公开设计协商，请参阅完整声明。

导览

以下特性没有具体的发布日期。不过，大多数预计在接下去的一到两个版本发布。

APIs

上层 API

• 对 Keras、Eager 和 Estimator 进行了高度集成，将会使用相同的数据管道、API 和序列化格式（Saved Model）。
• 将 TensorFlow 核心中的常用 ML 模型（如 TimeSeries、RNN、TensorForest 以及更多其它的增强树）和相关功能（如顺序特征列）封装成 Estimator（如果已存在的话，则从软件库迁移）。

动态执行

• 使用分布式策略来充分利用多 GPU 和多 TPU 核心。
• 支持分布式训练（多机部署）。
• 性能提升。
• 简化导出到 GraphDef/SavedModel 的流程。

参考模型

• 内建了一组跨图像识别、对象检测、语音、翻译、推荐和增强学习的模型，这些模型能够展示最佳效果，并作为高性能模型开发的起点。
• 扩大了高性能云 TPU 参考模型的规模。

扩展包

• 废弃 tf.contrib 中有更好的外部实现的部分。
• 尽可能地将 tf.contrib 中的大型项目移到单独的仓库中。
• TensorFlow 2.0 中，tf.contrib 将不再维护。将来会在其它仓库进行一系列试验性的开发。

平台

TensorFlow Lite：

• 增加 TensorFlow Lite 可支持操作的覆盖率。
• 为 TensorFlow Lite 提供更易转换的已训练模型。
• 添加优化移动模型的工具。
• 添加对 Edge TPU 和 TPU AIY 主板的支持。
• 更加易用的文档和教程。

TensorFlow.js

• 提高 TensorFlow.js 在浏览器中的性能；使用计算着色器或 WebGPU 实现原型；提高 CPU 性能，提供 SIMD+ Web 程序集支持。
• 扩展对导入 TensorFlow SavedModel 和 Keras 模型的支持，特别是基于音频和文本的模型。
• 发布了一个新的 tfjs-data API，用于高效的数据输入管道，以及一个新的 tfjs-vis 库，用于在浏览器训练模型期间提供交互式的模型可视化。
• 在服务器端 TensorFlow.js 使用 Node —— 通过公开所有 TensorFlow 操作来提高与原生 TensorFlow 操作和模型格式的兼容性；使用 libuv 添加异步模式支持。

TensorFlow with Swift

• 延续 2018 整年的工作，对设计和实现进行持续精炼。
• 到 2018 年底，保证核心组件（图形程序提取、基础的自动微分（AutoDiff）、发送/接收）在日常使用中足够可靠。
• 在 2018 年探索在 TensorFlow 中使用 Swift 来构建动态模型的语言。
• 在 2019 年初提供在 Colab 中使用 TensorFlow 的基本教程。

性能

分布式 TensorFlow

• 扩展新的分布式策略 API 来在 TPU 和多节点 GPU 上支持 Keras。
• 对出色的开箱即用性能和易于部署的特性的演示。

GPU 优化

• 修改通用设计，简化固定精度 API。
• 完成 TensorRT API 并移入核心模块。
• TensorRT 现在支持 SavedModel 和 TF Serving 了。
• 集成 CUDA 10（计划跳过 CUDA 9.2 版本因为跟 CUDA 9.0 相比它在相同版本的 cuDNN 下的改进太小了）。
• 优化对 DGX-2 的支持。

云 TPU 和云 TPU Pods

• 在云 TPU 上扩展对 Keras 的支持，并进一步优化性能。
• 扩展对图像分割的支持 —— 在现有的 RetinaNet 和 DeepLab 语义分割参考模型中加入 Mask R-CNN。
• 优化了新的 Cloud TPU 集成：GKE、CMLE、Cloud Bigtable 和 gRPC 的数据输入。
• 允许在 Cloud TPU Pod 上进行大型模型的并发训练了。
• 优化了 Cloud TPU v3 上参考模型的性能。

CPU 优化

• 通过 MKL 为 SkyLake 系列处理器提供 Int8 支持。
• 通过 MKL 提供更快的 3D 操作。
• 动态加载专为 SIMD 优化的内核。
• MKL 的 Linux 和 Windows 支持。

其它模块

TensorFlow 概率编程工具箱

• 高斯过程的详细实现，包括超参数优化方面的应用。
• 新增贝叶斯结构时间序列模型。
• 对采样和优化方法进行了改进。
• 丰富的在 Colab 上使用 TensorFlow 概率（TFP）的教程。

Tensor2Tensor 库

• 新的支持自动编码器、GAN 和 RL 的视频、语音和音乐方面的数据集和模型。
• 使用 TensorFlow 2.0 的最佳实现来提升对各个平台的支持并简化内部结构。
• 用 Mesh TensorFlow 并行训练大型模型。

端到端 ML 系统

TensorFlow Hub

• 扩展 TF-Hub 模块，添加对 TF Eager、Keras layer 和 TensorFlow.js 集成的支持，并支持 TF-Transform 和 TF-Data 工作流。

TensorFlow Extended

• 开源更多的 TensorFlow Extended 平台来促进 TensorFlow 在生产中的应用。
• 封装用于模型评估和校验的 TF Model Analysis。
• 发布用于数据验证的 TFX 库。
• 发布端到端 ML 管道工作流的示例。

社区和合作伙伴

特殊兴趣小组（SIG）

• 动员整个社区对重点领域进行合作。
• 评估并生成新的特殊兴趣小组，并将其作为社区生态的一员。

社区

• 在请求意见稿（RFC）流程中对重要的设计决策进行持续的公开的反馈。
• 创建了贡献者指南来促进公开管理流程。
• 发展全球的 TensorFlow 社区和用户小组。
• 与合作伙伴协作开发并发布研究论文。
• 持续发布博文和 YouTube 视频，展示 TensorFlow 的应用并构建重要应用的用例研究。