【D2 快報】關於前端與機器學習的疑惑，聽TensorFlow.js 負責人一一解答
本屆D2 前端技術論壇，我們十分榮幸地邀請到了Google TensorFlow.js 團隊的負責人Ping Yu 作為「智能化」專場的嘉賓，為我們講解TensorFlow.js 生態系統，以及如何將現有的機器學習模型植入到前端。
PingYu, Google Brain 工程師，TensorFlow.js 項目負責人。致力於將機器學習平台帶給Web 以及JavaScript 開發者。前Google Attribution 平台的技術主管。 Ping 擁有清華大學理學學士學位，馬里蘭大學帕克分校理學碩士學位。
得益於人工、數據、計算成本的降低，人工智能(AI)在最近的一個十年得到了爆發式的發展，其中，要數「機器學習」流派首屈一指[1]。放眼全球，在AI 這個賽道上，遙遙領先的領路人，非Google 莫屬，而Google 又將機器學習作為其在AI 領域的工作重心[2]。他們開發並維護著TensorFlow, 旨在幫助他人解決重要問題[3]。
提起TensorFlow, 很多人會覺得這是個十分遙遠的、可望而不可及的東西，我從搞算法的朋友那裡聽來一句調侃——能在電腦上安裝並運行TensorFlow, 你已經跑贏了80%的算法工程師。雖然是句玩笑話，但也從側面說明了TensorFlow 的門檻之高——連算法工程師都不一定搞得定。那作為前端工程師的我們，是不是只能望其項背了呢？
答案是No~ No~ No~
因為在Google 有這麼一群人，早已幫我們解決了這個問題。他們看準了前端在機器學習領域的潛力，研發出了TensorFlow.js——專門服務於前端的機器學習平台。
為了讓大家對演講主題更好的理解, 我們特地安排了此次專訪，一起來聽聽他對前端與機器學習的見解。
D2小編: Hi, Ping Yu,很榮幸能夠邀請到您來D2演講，可否向台灣的朋友們介紹一下您和您目前的工作？
Ping Yu:我在Google的TensorFlow團隊中負責TensorFlow.js的開源項目。 TensorFlow.js 是一個針對前端開發者機器學習平台，它不光提供建模，訓練到推理的一套完整的API, 還有一個結合實際應用場景的模型庫。我們的目標是降低前端開發者使用機器學習的門檻，從而激發他們的創造力。
D2小編:我們知道，人工智能往往伴隨著複雜的數據、模型和運算，而很多人認為JavaScript太弱了，不適合做人工智能，甚至說前端就不該趟AI這趟水，您怎麼看待這個「老生常談」的說法？
Ping Yu:這個問題可以從兩個方面去看。首先，JavaScript作為一個解釋執行的語言，確實缺乏純計算能力，但語言本身的計算速度並不決定它是否適合機器學習。比如Python 同樣作為解釋執行的語言，速度並不是它的強項，甚至它比JavaScript 的V8 引擎要慢多了，這並沒有妨礙它成為當今最受歡迎的機器學習語言。因為它並不需要直接解決速度的問題，它可以利用其他更底層的語言來獲得計算速度的提升。 TensorFlow Python 就是利用binding C library 提供CPU 上的加速，通過cuDNN 的綁定獲得了GPU 提速。這都是JavaScript 可以做的事情。比如說TensorFlow.js 通過WebGL 的Fragment Shader 來獲得GPU 加速，通過Web Assembly 來獲得CPU 的加速等等。
另外作為一個機器學習API Level 的語言，易用性才是真正吸引用戶的地方。 Python 的崛起很大程度上得益於一個非常受歡迎的數值運算庫numpy. 其實JavaScript 在易用性上並不遜色於Python, 十幾年來，從網頁到後台，再到iOT 設備，JavaScript 無處不在。它跨平台的特性能很好的解決模型部署的任務。
我和很多工業界還有研究部門的伙伴了解的時候發現，他們現在共同的困境就是，缺乏人才能夠真正把AI 研究結果很好的落地。我們相信這個離不開前端工程師，但是需要有一套完善的工程解決方案。 TensorFlow.js 只是一個開始，希望有更多的前端開發者可以加入我們的行列。
D2小編:那請問TensorFlow.js目前都有哪些應用場景、效果如何？如果沒有足夠的數據量能接入嗎？
Ping Yu: TensorFlow.js支持許多JavaScript可以運行的環境，前端的瀏覽器，無線端的小程序，React Native平台，中後台的Node.js等等。
不同的運行環境，應用場景也不盡相同。無線端多以實時人機交互模型為主，不論是視頻還是語音，對模型的大小和執行速度的要求都很高。最近歐萊雅使用TensorFlow.js 在微信小程序裡推出了實時試妝，模型執行速度達到25FPS, 但模型只有800K. 在瀏覽器中的Web App, 它的AI 應用場景多以圖形或文字模型為主。在中後台，應用場景會更豐富一些。 TensorFlow.js在Node.js裡的執行速度和TensorFlow Python旗鼓相當，讓server端的模型推理可以融入到現有的BFF架構內。
另外TensorFlow.js也支持模型訓練，這意味著前端可以通過轉移學習的方法為每個用戶提供定制的模型。
D2小編:有人說，AI技術的大進步，往往不是算法本身，而是源自人機交互的改進，您認同這個看法嗎？目前（至少國內）已落地的人工智能大多是「人工人工智能」，請問國外面臨這個窘境嗎？您認為有何解法？
Ping Yu:這個問題涉及面有點廣，但看法我是基本認同的。我理解這句話原意是，人機交互界面的改進，為AI 技術提供的場景和契機。 AI 的基礎是數據，而前端技術可以幫助研究者更快更好地理解數據。雖然現在AI 發展日新月異，新模型、新架構層出不窮，但當模型落地時候，如果並沒有和前端實現一個閉環，也就會出現「人工人工智能」的現象。谷歌推出的聯邦學習和TFX 機器學習的框架，通過AI 和前端的結合，就能夠做到連續的驗證和調整模型。
D2小編:您認為前端智能化未來會往什麼方向發展？對於想做人工智能的前端工程師有什麼學習建議？
Ping Yu:雖然前端有許多成功的框架，但總體來說還是有不少手工的工作。 （我認為未來的考慮將是）如何將AI 的能力融入到這些框架中，進一步減少前端工程師工作中低端的手工部分，從而進一步解放他們的創造力。
對於前端工程師而言，要對常用的模型和框架要有一定的認識，了解他們的特點和使用場景。要具備一定的AI 工程方面的知識，比如模型加速和壓縮，模型加密，端上和服務器上推理方案，這可以為模型落地提供切實可行的途徑。
D2小編:請問參加您這次的分享需要準備什麼前置知識？您將與國內開發者進行什麼方面的交流？
Ping Yu:這次分享（我將）通過一些實例來介紹TensorFlow.js平台的能力，進一步探討AI在前端落地的場景。目標受眾就是前端工程師，沒有特殊的前置知識。
不知道本次專訪有沒有解答你對於前端與機器學習的疑惑呢？我是覺得，看完這次專訪，機器學習對我來說終於不再雲裡霧裡了，Ping Yu 淺顯易懂的表達，使我對前端與機器學習、對TensorFlow 有了更進一步的認識，也了解了該從哪些方面去學習AI, 實在是太棒啦！
本屆D2 上，Ping Yu 還將與我們探討TensorFlow.js 進一步優化的方式，以及未來發展的方向。是不是好期待呢！
已經買了票的小可愛，當天記得帶著可愛的自己準時來參加，就好啦～
還沒買票的小可愛要注意咯！
由於大家購票熱情太高，我們本次的早鳥票及早鳥拼團票已提前售罄，你可以選擇購買普通票（559/張），一次性購買3張及以上，更可立減100 ,享受早鳥票價格459/張哦！餘票不多，心動不如趕快行動，我在D2 智能化專場等你哦！
附1：D2 智能化專場介紹
機器學習和人工智能在前端領域如何應用？智能化將如何改變前端的工作方式？目前機器學習和人工智能在前端的應用成果有哪些？在工程和業務領域借助智能化創造技術價值？本屆D2 的前端智能化專場通過行業的應用案例和實踐經驗的風向，讓大家對智能化改變前端有切實的感受，同時還邀請了谷歌TensorFlow.js 等行業知名的前端智能化團隊，帶來前端智能化發展趨勢的最新訊息。讓我們在機器學習改變行業的今天，攜手弄潮於技術之巔。
附2：好文推薦
參考文章：