Tensorflow 1.0；TensorFlow 兼容 Spark；Python 迁移到 GitHub | AI 研习社周刊

【AI研习社】关注AI前沿、开发技巧及技术教程等方面的内容。欢迎技术开发类文章、视频教程等内容投稿，邮件发送至：zhangxian@leiphone.com

2 月 13 日~ 2 月 19 日，AI 开发者圈子里发生的那些事儿：

Tensorflow 1.0 发布

在本月 15 日揭幕的 TensorFlow 开发者峰会上，谷歌正式发布了 TensorFlow 1.0 版本。新版本带来三大主要优化：

• 大幅提升的运算速度，尤其是对于多 GPU、分布式计算场景。
• 对高级别 API 有更好的兼容性，尤其完全兼容 Keras
• 改进 API 稳定性

本次峰会在加州山景城举行，是 TensorFlow 史上第一届开发者峰会，颇值得大家关注。

雅虎开源 TensorFlow On Spark

它使得深度学习框架 TensorFlow 能与 Apache Spark 中的数据集兼容。对于使用 Spark 来处理不同类型数据的机构和开发者来说，这无疑是一个好消息。TensorFlowOnSpark 的开源代码，已基于 Apache 2.0 协议在 GitHub 上发布。

GitHub 地址：https://github.com/yahoo/TensorFlowOnSpark（点击文末阅读原文查看）

Python 正式迁移到 GitHub

Python 正式迁移到源码托管平台 GitHub，拥抱了 Git 版本控制系统。

Python 社区早在2014年就开始讨论是否迁移到 GitHub 以改进开发流程，当时 Python 使用的版本控制系统是 Mercurial，而 GitHub 只支持 Git 版本控制系统，所以这也意味着 Python 需要迁移到 Git。2016 年 1 月，Python 项目正式宣布迁移到 GitHub，从 Mercurial 切换到 Git。

微软开源无人机虚拟训练平台 AirSim

它全称为“Aerial Informatics and Robotics Platform”。该平台的目的是训练自动驾驶无人机，并使它们更安全。

它包含一个高度模拟真实世界的模拟器，并能帮助开发者快速编写控制飞行机器人的代码。无人机、飞行机器人工程师可用收集到的数据，在该平台上训练 AI 飞行系统，在虚拟世界中进行测试。在开发出原型机之前，就可以进行技术验证。

其 beta 测试版本已发布于 GitHub。

GitHub 地址：https://github.com/Microsoft/AirSim（点击文末阅读原文查看）

微软公布口语翻译语料库

微软亚洲研究院通过官方微博宣布公开微软口语翻译语料库：Microsoft Speech Language Translation (MSLT) Corpus。该语料库允许研究人员对照一套包含法语，德语和英语的多回合双语对话数据集，衡量其自有对话翻译系统的质量和有效性，旨在帮助人们标准化测试其各自对话语音翻译系统的运行效果。

值得一提的是，微软在上周刚刚开源了Graph Engine（分布式图处理引擎）和基于该引擎的一种可用于子图和路径查询的数据查询语言LIKQ （Language-Integrated Knowledge Query）。

PowerAI 人工智能开发平台支持 TensorFlow 0.12 架构

2 月 14 日，IBM正式宣布其PowerAI 人工智能开发平台现在支持由谷歌原创的 TensorFlow 0.12 架构。

PoweAI 人工智能平台基于 POWER8 体系结构，支持企业级开源机器学习和深度学习架构。通过 IBM 的 PowerAI 人工智能平台，TensorFlow能为企业开发先进的机器学习产品与系统，提供新的快速、灵活以及产能完备的开发工具。

在最新版的PowerAI人工智能平台，IBM 还增加了 Chainer 深度学习架构。PowerAI 人工智能平台目前包括了 CAFFE, Chainer, TensorFlow, Theano, Torch, cuDNN, NVIDIA DIGITS 以及其它若干个机器学习与深度学习架构和库。权

密歇根大学发明超微型深度学习计算机 Micro Mote

近期在美国旧金山举办的IEEEE国际固态电路研讨会上（IEEE International Solid-State Circuits Conference ，ISSCC)上，来自美国密歇根大学的David Blaauw和Dennis Sylvester教授向公众展示了他们最新的研究成果：一系列名为Micro Mote的超微型计算机，它的体积比指甲盖还小，功耗仅288微瓦。

根据应用领域的不同，这些Micro Mote的外设、体积和功耗也不尽相同。值得一提的是，其中一款集成了深度学习功能的Micro Mote只需要288微瓦（microwatts）的功耗就可以运行神经网络模型。根据报道，密歇根大学的研究者是通过重新设计芯片架构的方式实现了这一突破。