2.3　TensorFlow 2.x生态系统

如今，TensorFlow 2.x是一个丰富的学习生态系统，除了核心学习引擎外，这里还有大量可免费使用的工具。尤其是：

• TensorFlow.js（https://www.tensorflow.org/js）是API的集合，可直接在浏览器或Node.js中训练和运行推断（inference）。
• TensorFlow Lite（https://www.tensorflow.org/lite）是用于嵌入式和移动设备的TensorFlow的轻量级版本。当前，Java和C ++支持Android和iOS。
• TensorFlow Hub（https://www.tensorflow.org/hub）是一个完整的库，支持最常见的机器学习架构。截至2019年4月，Hub仅部分支持tf.Keras API，但此问题（https://github.com/tensorflow/tensorflow/issues/25362）即将解决。我们将在第5章中看到一个Hub示例。
• TensorFlow Extended（TFX）（https://github.com/tensorflow/tfx）是一个完整的端到端学习平台，其中包括转换工具（TfTransform）、分析工具（TensorFlow Model Analysis）和推断期间学习模型的高效伺服（TensorFlow Serving）。TFX管道可用Apache Airflow和Kubeflow Pipelines进行编排。
• TensorBoard是用于检查、调试和优化模型及指标的可视化环境。
• Sonnet是一个类似于Keras的库，由DeepMind开发，用于训练其模型。
• TensorBoard Federated是一个在去中心化数据上使用机器学习和其他计算工作的框架。
• TensorBoard Probability是一个将概率模型与深度学习相结合的框架。
• TensorBoard Playground是一个不错的UI，用于可视化、调试和检查神经网络。常用于教育教学。
• 加速线性代数（Accelerated Linear Algebra，XLA）是线性代数的特定领域编译器，可优化TensorFlow计算。
• MLPerf是一个ML基准套件，用于测量ML软件框架、ML硬件加速器和ML云平台的性能。
• Colab是免费的Jupyter Notebook环境，无须设置，完全在云上运行。用户可以通过浏览器免费编写和执行代码，保存和共享分析，以及访问强大的计算资源。
• TensorFlow Datasets是TensorFlow中包含的官方数据集。此外，还有可通过Google Research和Google支持的数据集搜索（https://toolbox.google.com/datasetsearch）免费获得的数据集。

资源、库和工具的清单很长，每个工具都需要单独的一章（在某些情况下，需要用一整本书来介绍！）。在本书中，我们使用Colab、TensorBoard、Hub和Lite，并给读者留下线上查看其他资源的任务。研究人员还可以使用TensorFlow Research Cloud（TFRC）计划，该计划使你可以申请访问包含1000多个Cloud TPU的集群。

模型、数据集、工具、库和扩展插件可在https://www.tensorflow.org/resou-rces/tools找到。

语言绑定

Python是TensorFlow的首选语言。但是，存在与许多其他语言的绑定，包括JavaScript、C++、Java、Go和Swift。该社区还维护与其他语言的绑定，包括C#、Haskell、Julia、Ruby、Rust和Scala。通常，C语言的API用于构建对其他语言的绑定。