更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）
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。
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“eager execution”（https://www.tensorflow.org/programmers_guide/eager ）。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 TensoFlow Hub（http://tensorflow.org/hub ），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（https://github.com/tensorflow/tensorboard/blob/master/tensorboard/plugins/debugger/README.md ），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 TensorFlow Extended（TFX）路线图，同时推出了 TensorFlow Model Analysis，一个组合了 TensorFlow 和 Apache Beam 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 TensorFlow Model Analysis、TensorFlow Transform、Estimators 和 TensorFlow Serving）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。
现在，开发者可以在更多的编程语言中使用 TensorFlow。TensorFlow.js（https://js.tensorflow.org ）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（https://emojiscavengerhunt.withgoogle.com ）就是使用 TensorFlow.js 开发的。
用于 Swift 的 TensorFlow（https://www.tensorflow.org/community/swift ）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 eager execution 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。
