今年 TensorFlow 为开发者带来了一大惊喜 —— TensorFlow 决策森林(TensorFlow Decision Forests, TF-DF) 。

       TF-DF 模型可实现高效的分类、回归和任务排序，当开发者需要处理表格数据，获得简易性、可解读性和速度，TF-DF 将是不二之选。TF-DF 提供了大量工具、模型供开发者使用，作为 TensorFlow 丰富生态系统中的一员，它可与各种 TensorFlow 工具、库以及 TFX 等平台集成，让开发者轻松组合使用。

         进入 Google 开发者在线课程，搜索“TensorFlow”掌握更多开发技能！

       TensorFlow.js 是一个由 JS 语言编写的前端机器学习库。

       由于前端机器学习可实现低延迟的运行速度，保护用户隐私，让部署和维护成本更低，因此 TensorFlow.js 也成为不少开发者的首选，今年周下载量达到了之前的 3 倍，总下载量更是达到了 320 万次。

       TensorFlow.js 具有灵活的跨平台特性，开发者可以在浏览器或任何支持 JavaScript 的环境中随时运行模型，充分发挥 Web 覆盖广、规模大的优势。

        TensorFlow.js 拥有丰富的模型库和 API ，便于开发者快速构建应用。

        今年推出了新的 pose-detectionAPI，可实现单人检测和多人检测；发布了 2 个 MediaPipe 的 BlazePose 模型，可用于 2D 和 3D 场景。在自然语言处理方面，也推出了基于 BERT 的对话意图检测模型和问答模型。

       值得一提的是，TensorFlow.js 已经支持 TFLite 模型，执行速度更快，模型更小，性能更佳。性能测试工具也增加了 custom model 的选项，能即时测试并显示模型的执行速度等很多相关指标。

       推荐系统是机器学习领域的重要应用，从推荐电影、餐厅，到推荐视频或新闻文章，推荐系统常见于日常生活。推荐系统是一个复杂的机器学习系统，分为召回、粗排、精排三个阶段，将推荐内容数量从百万级降为成为有价值的数十级推荐内容。

      可靠、强大的推荐系统能极大提高用户的活跃度，TensorFlow Recommenders 则能成为推荐系统开发者的最佳助手。

        谷歌制定了一系列原则，来指导对于负责任的 AI 的理解。AI 应该对社会有益，公平、安全、保护隐私，并对用户负责。

      谷歌推出了负责任的 AI 工具包，帮助开发者以负责任的方式开发 AI 、取得进展，构建人人受益的 AI 系统。

        TensorFlow 的发展离不开开发者社区的支持和贡献，目前 TFUG 数量已经增长至 70 多个，诞生了 170 多位 GDE 以及 12 个特殊兴趣小组 (Sigs) 。

       在学习资源方面，除了网易提供的本地化在线课程，开发者还能通过 Google 开发者在线课程，以视频、文章和 Codelab 形式，掌握 TensorFlow 相关技能。

       如果想进一步学习，欢迎参加 TensorFlow 开发者认证考试，获取 TensorFlow 开发者证书，一展所长。目前已有 3000 名经过认证的开发者，我们希望更多开发者加入，使社区不断壮大。