TensorFlow为M1芯片提供7倍加速，还新增了GPU支持

TensorFlow官方宣布，对苹果开发的最新M1芯片提供TensorFlow加速支持。

与此同时，苹果也在GitHub上发布了名为“tensorflow_macos”的项目，包含forked版本的TensorFlow 2.4和新的ML Compute框架，其针对MacBook上的TensorFlow进行了优化。

项目地址：https://github.com/apple/tensorflow_macos

1、7倍加速

这项更新对于喜欢使用Mac又纠结于训练速度的用户来说，真是个天大的好消息。

ML Compute是苹果今年推出的新框架，可直接在Mac上训练TensorFlow模型，优化后的TensorFlow 2.4则可以大幅加速MacBook的ML模型训练，无论是配置了M1芯片还是Intel芯片。

在更新之前，Mac上的TensorFlow仅支持CPU训练，而新的ML Compute将支持GPU的训练。

谷歌表示，这些改进，加上苹果开发人员能够通过TensorFlow Lite在iOS上执行TensorFlow，展示了TensorFlow在支持苹果硬件高性能机器学习的广度和深度。

forked版本的TensorFlow 2.4应用的是更高级别的优化方法，例如融合神经网络的层，选择合适的设备类型，以及将计算图编译并执行为由CPU上的BNNS、GPU上的Metal Performance Shaders加速的图元。

具体加速效果如何呢？据TensorFlow在推特上发布的消息，“可以在配置M1芯片的13英寸MacBook Pro上获得多达7倍的训练加速。”

下图展示了2020版13英寸MacBook Pro的三种配置在多种TensorFlow模型上的训练时间。其中灰色为优化前的版本（Intel），黄色（Intel）和橙色（M1）为优化后的版本。

可以看到，通过优化，配置了M1芯片的Mac达到了数倍加速的效果，配置了Intel芯片的Mac则得到了少量优化。但这只是2020版的测试结果，在2019版上，配置了Intel芯片的Mac得到了大幅加速。

配置了Intel芯片和M1的13英寸MacBook Pro的加速训练效果，数字越小表明训练时间越短（second/batch）。

测试结果表明，MobileNetV3在新配置（M1）的训练时间仅为1秒，相对而言，如果是配置Intel芯片和旧版TensorFlow，则需要2秒。

此外，在配置Intel芯片和新版TensorFlow的2019 Mac Pro上训练风格迁移算法可以在大约2秒钟内完成，而在旧版TensorFlow版本上则需要6秒。

配置了Intel芯片的2019 Mac Pro的加速训练效果，数字越小表明训练时间越短。

苹果和谷歌表示，用户无需更改现有的TensorFlow脚本即可将ML Compute用作TensorFlow的后端。在不久的将来，两家公司计划将TensorFlow 2.4的forked版本集成到TensorFlow master分支中，使用户更容易获得更新。

2、背景介绍 2020年的TensorFlow

今天恰好也是谷歌开发者大会的TensorFlow主题日，一起来回顾一下今年的TensorFlow都有哪些新进展吧。

如今，TensorFlow已经被部署到丰富的应用场景中。比如蔚来汽车的车载人工智能NOMI背后就使用了TensorFlow来训练模型，并用TensorFlow Lite来部署人机对话等AI系统；网易伏羲实验室使用TensorFlow实现分布式训练，结合实际游戏工业场景，开发了用于线上游戏的强化学习AI，并上线到了《逆水寒》，其中最高难度AI对战人类玩家的胜率可达到90%。

今年以来，TensorFlow依然发展迅猛，下载次数超过1.37亿，教程和指南观看次数超过4500万，博客文章阅读次数和在YouTube上的观看次数分别超过了800万和830万。

在3月份的TensorFlow开发者峰会上，谷歌宣布了TensorFlow2.2的新功能，此次版本更新强调了性能的重要性，与TensorFlow生态系统其余部分的兼容性，以及在核心库中的稳定性。

在峰会中，谷歌还发布了性能剖析器，从而提供了模型性能概览和更易用的调试指南。他们还更新了数十个附加组件和扩展程序，如今大多数的库都已经支持TensorFlow2.x。另外还有一些实验性质的新库，比如可以帮助研究人员探索和构建混合量子和经典机器学习的TF Quantum。

针对工业界的用户，TensorFlow2.2也有一些实用的更新。TensorFlow Lite现在已经支持大量的移动端机器学习模型，如下图所示。

在TensorFlow Lite中，谷歌提供了最佳的加速器性能，并在不需要修改模型的前提下，大大缩短了模型延迟。谷歌还集成了Android Studio和支持库，从而能够便捷生成TensorFlow Lite模型的Java Classes。此外，全新的TensorFlow Lite转换器可以支持更多的模型类，Model Maker让开发人员可以微调现有的模型，而无需做复杂的机器学习操作。

在TensorFlow.js中，谷歌发布了两个新的模型，分别是FaceMesh和MobileBERT，FaceMesh可用于定位人脸关键点，并进一步开发好玩的AR应用。

此外，Hugging Face的NPM软件包适用于在Node.js中提供问答功能，新的WebAssembly则用来提升CPU性能。

7月份的开发者峰会上，谷歌发布了TensorFlow2.3，该版本使用户能更轻松地进行数据预处理，并解决输入管道瓶颈。这是通过tf.data中的两个新的API即Service和Snapshot完成的。此外，TensorFlow2.3还新增了TensorFlow Profiler功能，其可随着时间推移可视化模型内存使用情况，并且能跟踪模型中的Python函数调用，从而发现性能瓶颈。

在即将到来的TensorFlow2.4中，重点是分布式训练，这将使具有镜像策略的多工作器同步训练更加强大；而在tf.Keras中，将提供对参数服务器训练的实验支持。

TensorFlow2.4还将增加对CUDA11的支持，从而支持英伟达最新的GPU。tf.numpy则允许在numpy代码中使用TensorFlow API。

参考资料：