去谷歌开发者大会了，收“获”满满
去谷歌开发者大会了，收“获”满满
多图预警，请耐心等待加载
周四去上海参加了谷歌开发者大会，收获满满。
下面我就当个导游，带大家畅游一番吧。
先来到世博中心，显眼的 Google Logo
入场后先报道，领取胸牌
进入主会场
等待演讲开始
前面是关于Android的演讲就不拍了，和大家一样，我对谷歌在 TensorFlow 和 机器学习方面的最新动态比较感兴趣。
主题1 《未来之路：谷歌为开发者提供全面的开源机器学习产品生态》
其实这一部分的核心内容在昨天的主旨演讲中Laurence已经简单介绍过，大佬从数据、框架、模型、MLOps 四个方面说明 TensorFlow Project 为开源机器学习构建了全面开源生态，感兴趣可以去大会官网听一下，其实现场的演讲也都有回放了：
现场嘉宾讲的更详细，每一方面都有展开，其实核心就是下面这张图
机器学习的四个支柱：数据、模型框架、部署、监控和维护，这四个支柱 Google 都有开源工具。
数据获取及预处理：TensorFlow 数据集
模型框架：TensorFlow 和 JAX
Deepmind 的一些科研成果，比如alphafold,还有Google research的 imagen、 Parti 都是通过JAX创建的。
JAX 前段时间还有个趣闻，关注我公众号的同学应该知道，有篇文章说“JAX取代TensorFlow”，“谷歌大脑和DeepMind已经普遍放弃TensorFlow，转投 JAX”。（➡️TensorFlow，危！抛弃者正是谷歌自己），很快就有了辟谣（➡️TensorFlow团队：我们没被抛弃），将继续投资TensorFlow和JAX两个ML框架，以推动数百万用户的研究和应用。
演讲嘉宾讲的很透彻，JAX 和 TensorFlow 是定位不同的两个框架，前者专为硬件加速器优化的框架，从而帮助开发者更深入地钻研机器学习的数学运算，后者定位高级框架，帮助不需要深入到数学层面的开发者可以轻松创建自己的模型。
模型部署：TensorFlow.js 、TensorFlow Lite
在云端、网页端、浏览器、移动端和嵌入式平台上运行模型，Google 也有很多成熟的产品，我之前也曾写过一篇文章介绍tfjs（用浏览器玩机器学习，赞！），自认写的清晰明了。
Google Lite 也挺亮眼的，它可以内置到 Google Play 服务中，不需要再在应用中植入 TF Lite ，应用体量可以大幅缩减，也可以使用后台更新功能，用户始终能够使用最新版本，不需要在TF Lite每次更新时再重新。如果用户不使用 Google Play 服务，也可以不使用以上方式，像以前一样自主分发。
监控和维护：TFX
TFX 不仅可以用于模型部署，它也可为完整 MLOps 部署提供软件框架和工具，并在数据和模型随时间推移不断演变的过程中检测问题。
这四个支柱中 Google 提供的一些列工具集成到一起，统称为Tensor Projects，满足研究人员、开发者、MLOPS 和商务团队的任意机器学习应用需求。
主题2 《MediaPipe: 搭建你自己的端侧开源机器学习解决方案》
之前没有关注过这一块，设备端（智能手机、物联网设备或浏览器）机器学习其实已经有很多成熟的应用：
- Google Meet的背景模糊处理/替换
- Nest 的人员移动侦测、包裹递送通知、手势识别
- YouTube 的AR 试妆
设备端机器学习主要包括设备端模型和机器学习流水线，模型是核心，机器学习流水线涵盖从原始输入到输出结果的全流程，两者都非常复杂。
MediaPipe 可以极大简化这个过程，它可以把流水线封装成 MediaPipe Tasks，用 Model Maker 定制模型，通过低代码 API 提供可定制的高性能设备端机器学习解决方案。
使用貌似也挺简单的，和把大象装进冰箱一样，一共分三步：
收集训练数据、使用 Tasks 或 Model Maker 枃建模型、使用 Task library部署模型。
MediaPipe 确实挺有意思的，嘉宾分享了好几个资源，我计划之后深入学习学习
https://mediapipe.dev
https://github.com/google/mediapipe
https://google.github.io/mediapipe/solutions/pose.html
下午场是展示区的技术/产品趣味互动体验，有点困，先喝杯 Google 牌雀巢咖啡提提神
在展区打卡领到许多小礼品：Android 吉祥物、充电线、眼镜、水杯、悠悠球、鼠标垫、冰箱贴、各种贴纸
当然，这些都是身外之物，体验 Google 黑科技才是正事，这部分我会剪个视频在 B 站发布，这里就以图文介绍吧。
黑科技1: 智能互动，让音乐“动”起来
挺好玩的，在摄像头前挥舞手臂，就可以化身指挥家，指挥交响乐团。这个 Semi-Conductor 使用了 PoseNet 这个可在浏览器中运行的开源机器学习模型，能够将网络摄像头拍到的身体动作映射到对应的指挥操作。运用其独特的算法，该应用得以有机融合数百个短小的乐器录音片段，让乐团演奏的乐曲能够随着你的指挥而变化。
黑科技2: 激发音乐灵感，创造无限可能
Tone Transfer 让你可以将日常生活中的各种声音转化为乐器声，比如可以直接对着话筒哼一段旋律，直接在浏览器中录制和上传声音，机器学习模型将它转化成萨克斯风、长笛和其他乐器的声音!
黑科技3: MediaPipe Tasks 面部追踪、姿态检测
这几个都是前面介绍过的 MediaPipe 实现的，听介绍，代码量极低。
开启 TensorFlow 进阶之旅，丰富学习资源，待你探索
你是否正在研究如何更高效地使用 TensorFlow 开发和训练开源机器学习模型，成为开源机器学习专家? 在这里，根据自身需求，灵活挑选合适的学习资源，开启进阶之旅吧!
TensorFlow & 机器学习 丰富的学习资源
最后再放几个资源吧，也是在展区看到的。
为了使开发者更高效地使用 TensorFlow 开发和训练开源机器学习模型，Google 还有很多开源课程。
比如：
Google 携手网易有道在中国大学 MOOC 平台上发布的《 TensorFlow 入门课程 - 部署篇》 专题课程
https://www.icourse163.org/course/youdao-1467217161?from=searchPage&outVendor=zw_mooc_pcssjg_
Google 开发者在线课程，针对希望在部署层面得到进阶提升的开发者。
https://developers.google.cn/learn/pathways?utm_source=social&utm_medium=devkol&utm_campaign=gds22
TensorFlow 开发者认证计划，通过考试的开发者，有机会荣获官方颁发的 TensorFlow 开发者证书和徽章。
https://www.tensorflow.org/certificate?hl=zh-cn
总结
总结一句话就是：不虚此行，下次一定还来。
大家一起 Code For Better，“共码未来” 吧，我要去学 MediaPipe 了。
本文由博客一文多发平台 OpenWrite 发布！
