在前不久结束的Google IO开发者大会上，Google 的工程副总 Dave Burke 宣布了一个专门针对移动设备而优化的 Tensorflow 新版本。
这一新的软件库称为 Tensorflow Lite，允许开发人员在用户的移动设备上实时地运行人工智能应用。据 Burke 介绍，该库在设计上力求更快和更小的同时，依然支持最先进的技术。它将作为开源 Tensorflow 计划的一部分于今年稍后发布。
当前大多数人工智能处理运行在软件即服务（SaaS）提供商的服务器端。通过该软件库的发布，Google 希望能将一些处理转移到用户的移动设备。这不仅可以节省处理能力，而且降低了数据量。此外，它可确保用户的数据的私有性，可不再依赖于因特网连接。
之前在社区已经有人做出了将 TensorFlow 在移动设备上运行的努力，在其官方 Github 上也专门对 Android 和 iOS 提供了有限的支持，经过一系列复杂而冗长的编译流程，你可以将 TensorFlow 编译成移动操作系统所支持的库，不过，完整的 TensorFlow 库将会使 App 大小增大 20M 以上，因此在移动平台使用 TensorFlow 还需要经过裁剪，去掉不需要的模型和插件。
在过去 TensorFlow 获得的应用包括：
TensorFlow 被应用在 Google 很多的应用包括：Gmail, Google Play Recommendation, Search, Translate, Map 等等；
在医疗方面，TensorFlow 被科学家用来搭建根据视网膜来预防糖尿病致盲（Stanford 的 PHD 使用 TensorFlow 来预测皮肤癌，相关工作上了 Nature 封面）；
通过在音乐、绘画这块的领域使用 TensorFlow 构建深度学习模型来帮助人类更好地理解艺术；
使用 TensorFlow 框架和高科技设备，构建自动化的海洋生物检测系统，用来帮助科学家了解海洋生物的情况；
TensorFlow 在移动客户端发力，有多款在移动设备上使用 TensorFlow 做翻译、风格化等工作；
TensorFlow 在移动设备 CPU（高通 820）上，能够达到更高的性能和更低的功耗；
TensorFlow ecosystem 结合其他开源项目能够快速地搭建高性能的生产环境；
TensorBoard Embedded vector 可视化工作；
能够帮助 PHD/ 科研工作者快速开展 project 研究工作。
Tensorflow Lite 并不是第一个可在移动设备运行的深度学习工具。先前在 2016 年 11 月，Facebook 就已经发布了一个称为 Caffe2Go 的架构。Caffe2Go 用于实时风格转移（Style Transfer），即在用户的移动设备添加了类艺术（Art-like）过滤器。在今年的 F8 大会上， Facebook 进一步发布了 Caffe2，正式支持移动平台。而除此之外，MxNet 深度学习框架也支持多个平台，包括移动设备。
Burke 还宣布，他团队正在添加与设计一些功能，用于与神经网络处理器进行通信。神经网络中大量使用了同类型的运算，可以使用 GPU 和 Googles 自身的 TPU（Tensor Processing Unit）对这样的运算进行优化。当前移动设备已经在使用神经网络，例如在 Google 翻译 App 中。不过对于移动设备而言，尚难以承担对此类神经网络的训练工作。
TensorFlow Lite 还将鼓励专用于神经网络的 DSP 的出现，未来如 TensorFlow Lite 这样的框架将有专用的功耗更低的处理器。
活动推荐：
由InfoQ主办的第二届GMTC全球移动技术大会即将来袭！大会将于6月9-10日在北京举行。本届大会，我们将探讨智能时代的大前端，2017年都有哪些值得关注的大前端趋势和实践？点击阅读原文进入大会官网报名！
