转眼两个月的时间过去了，Pipcook 迎来了第二个稳定版（v1.2）的发布，接下来就看看，在这个版本中都有哪些改进和提升吧。
重要特性一览
在过去的两个多月，开发团队针对服务的启动、插件安装以及 Pipeline 的执行时间都做了针对性的优化，尤其是之前被内部用户吐槽最多的执行 Pipeline 开始训练的时间，从之前的需要5分钟以上才能开始训练模型，到现在优化过的 Pipeline 只需要10秒内就可以开始了。
训练模型更快
在 v1.0 版本中，每个 Pipeline 中分为不同的阶段，比如负责收集数据集的 DataCollect，以及负责定义模型的 ModelDefine，或者是用于处理数据集的 DatasetProcess。在上一个稳定版本中，训练一个简单的组件（图片）分类的任务就需要花费将近2分钟来处理数据（时间随数据集的大小线性增长）。
这其中的原因有两个：
- 在 v1.0 Pipeline 的定义中，在前一个阶段没有完全处理完数据前，是不会进入下一个阶段的，但其实比如在数据收集和处理的过程中，有大量的 I/O 等待时间和 CPU 空闲时间。
- 在 v1.0 Pipeline 的定义中，数据类插件（DataCollect、DataAccess、DataProcess）之前都是通过文件的路径来传递的，这不仅使得在一次 Pipeline 的过程中会增长大量重复的磁盘读写操作，还使得一些像归一化（Normalization）这样针对数字进行的计算无从做起。
于是在 PR#410 中，通过引入了异步 Pipeline 的机制，并使用 Sample 作为插件之间传递数据的单元，这样做的好处是：
- 一旦前一个插件产出第一个 Sample，便能够开始加载后面的插件，这样就解决了之前后续插件需要等待数据全部处理完的问题，大大提前了训练开始的时间。
- 减少了不必要且重复的读写操作，插件之间将 Sample 放到内存中传递，并且处理后的值就存储在内存中，供后面阶段的插件使用。
在异步 Pipeline 的帮助下，我们成功将 Pipeline 进入训练的时间由1分15秒降低到11秒，同时也缩短了整体的训练时间。
插件安装更快
在新版本中，我们也优化了插件安装的流程，在现在 Pipcook 中的大部分 Pipeline 还是依赖于 Python 生态的，因此在安装这些插件时，会同时安装 Python 和 Node.js 的依赖，而在 v1.2 之前，Pipcook 都是串行安装的，于是在 PR#477 中，我们将 Python 和 Node.js 包的安装并行化，从而减少了总体的安装时间。
在后续的版本中，我们依然会继续挖掘并行化所带来的优化，尝试将每个安装任务（Python 和 Node.js 包）统一分析后调度安装任务，以实现更合理的并行安装。
初次启动更快
从 Pipcook 1.2 开始，用户将不再需要在本地安装 Pipboard 了，我们将 Pipboard 通过 Vercel 部署成了在线服务，并将代码全部迁移到了 imgcook/pipboard 下。
用户通过 pipboard.vercel.app/ 即可使用 Pipboard 的功能，不过目前仍然有一些需要调整的部分，比如还不支持使用远程的 Pipcook Daemon 等。
Pipboard 后续的发布周期将独立于 Pipcook，也就是说，我们鼓励大家基于 Pipcook SDK 开发属于自己的 Pipboard，而 Pipboard 本身将是作为 Demo 或者默认提供的示例性应用提供。
支持 Google Colab
**
如果持续关注 Pipcook 的用户一定很早就发现，官方文档中的部分教程的开头增加了 Google Colab 的链接！是的，Pipcook 支持在 Google Colab 上运行了，这意味着对于受困于没有 GPU 的初学者而言，可以通过 Google Colab 上免费的 GPU/TPU 来学习 Pipcook 了，只需从下面两个链接开始，即可开始你的前端组件识别之旅：
面向算法工程师的插件 Python 运行时
**
为了方便算法工程师以更低门槛地为 Pipcook 贡献模型，我们增加了对纯 Python 运行时的支持，对于贡献者来说，除了需要额外定义一个 package.json 外，不需要写任何 JavaScript 代码就能完成插件（模型类）的开发，并且为了方便算法工程师简单地上手，我们基于 Python 的插件运行时，开发了一条 NLP（NER）的 Pipeline，相关的插件如下：
- pipcook-plugin-tensorflow-bert-ner-model
- pipcook-plugin-tensorflow-bert-ner-model-train
- pipcook-plugin-tensorflow-bert-ner-model-evaluate**
Pipcook SDK 发布
**
正如前面提到的，我们将 Pipboard 移出了 Pipcook 并独立发布，就是希望开发者们通过 Pipcook SDK 能够开发适合自己需要的 Pipboard 或者其他任何形式的应用，因此我们将在 v1.2 正式发布 Pipcook SDK，它支持在 Node.js 与 JavaScript 运行环境使用指定 Pipcook 服务来完成 Pipeline 和训练任务的管理。
const client = new PipcookClient('your pipcook daemon host', port);
const pipelines = await client.pipeline.list(); // 显示当前所有的 pipeline
Pipcook SDK API 文档：点击这里。
Daily(Beta) 版本与 Release 版本
**
为了让用户有选择性的使用 Pipcook，我们这过去两个月针对我们的版本发布周期进行了更新，具体规则如下：
- Beta 版本或 Daily 版本，每天会由 CI(GitHub Actions) 系统自动构建与发布，如果你想尝试最新版本的用户可以使用 pipcook init beta 或 pipcook init --beta 获取。
- Release 版本
下版本计划（v1.4）
按照计划，我们将于两个月后发布 Pipcook v1.4，开发团队仍然会将如何让 Pipcook 更“快”，作为工作重心。
比如，现在训练完模型后，如果想要在 Node.js 环境下使用，还是需要非常冗长的步骤来执行 NPM 的安装（其中会安装 Python 和相关依赖），我们希望训练完成后的模型就能直接使用，而不再需要任何繁琐的前置步骤。
模型方面，我们将支持更轻量级的目标检测模型（YOLO/SSD），这对于一些简单场景的目标检测任务也能轻松胜任。
拓展阅读
- Pipcook 1.2 roadmap（已关闭）
- Pipcook 1.3 roadmap
- imgcook/awesome-imgcook 包括 Pipcook Book、插件列表以及前端智能化教程
- 社区
- 钉钉群号：30624012
- Discord 聊天室：discord.gg/UbfXzGY
