L'elaborazione del linguaggio naturale (NLP) ha raggiunto un punto di svolta e questo discorso mostra come TensorFlow e Keras semplifichino la preelaborazione, il training e l'iperottimizzazione dei modelli di testo.

TF Hub è il repository principale per i modelli ML. Questo discorso esamina tutte le nuove funzionalità e come possono rendere il tuo viaggio di scoperta del modello ancora migliore.

La condivisione dei risultati dell'esperimento è una parte importante del processo ML. Questo discorso mostra come TensorBoard.dev può abilitare il ML collaborativo semplificando la condivisione dei risultati degli esperimenti in articoli, post di blog, social media e altro ancora.

Di recente, Kaggle ha introdotto il supporto TPU attraverso la sua piattaforma della concorrenza. Questo discorso tocca il modo in cui i concorrenti di Kaggler sono passati dall'uso della GPU all'uso della TPU, prima in Colab e poi nei notebook Kaggle.

Questo discorso presenta un profiler che Google utilizza internamente per studiare le prestazioni di TF su piattaforme tra cui GPU, TPU e CPU.

Sfrutta la funzione LiveChat nel live streaming poiché i membri del team TensorFlow risponderanno nella chat in tempo reale. Se avessimo più tempo nel livestream, risponderemo ad alcune domande dal vivo.

In questo discorso esamineremo alcune caratteristiche interessanti di TF che sono utili quando si fa ricerca.

I problemi di ottimizzazione convessa vengono utilizzati per risolvere molti problemi nel mondo reale. Finora, è stato difficile utilizzarli nelle pipeline TensorFlow. Questo discorso presenta cvxpylayers, un pacchetto che semplifica l'integrazione di problemi di ottimizzazione convessi in TensorFlow, consentendoti di ottimizzarli utilizzando la discesa del gradiente.

Man mano che l'addestramento del modello diventa di natura più distribuito, tf.data si è evoluto per essere più consapevole e performante della distribuzione. Questo discorso presenta gli strumenti tf.data per il ridimensionamento dell'elaborazione dei dati TensorFlow. In particolare: servizio tf.data che consente alla pipeline tf.data di essere eseguita su un cluster di macchine e tf.data.snapshot che materializza i risultati su disco per il riutilizzo su più invocazioni.

Questo discorso mostra molteplici miglioramenti delle prestazioni in TensorFlow 2.2 per accelerare e scalare il carico di lavoro di formazione ML degli utenti in multi-GPU multi-lavoratore. Esaminiamo le ottimizzazioni utilizzando un'attività di messa a punto BERT nel giardino del modello TF, scritta utilizzando un ciclo di formazione personalizzato.

Scopri suggerimenti e trucchi dal team Colab. Questo discorso descrive come gli utenti di TensorFlow traggono il massimo da Colab e sbircia dietro le quinte per vedere come funziona Colab.

Chris Mattmann spiegherà come l'Innovation Experience Center di JPL nell'ufficio del Chief Information Officer supporta analisi avanzate, intelligenza artificiale e machine learning utilizzando TensorFlow per Smarter Rover, un campus più intelligente e oltre!

Sfrutta la funzione LiveChat nel live streaming poiché i membri del team TensorFlow risponderanno nella chat in tempo reale. Se avessimo più tempo nel livestream, risponderemo ad alcune domande dal vivo.

Questo discorso descriverà l'MLIR - l'infrastruttura del compilatore di machine learning per TensorFlow e spiegherà come aiuta TensorFlow a scalare più velocemente per soddisfare le esigenze di software e hardware di machine learning in rapida evoluzione.

TFRT è un nuovo runtime per TensorFlow. Sfruttando MLIR, mira a fornire un livello di infrastruttura unificato ed estensibile con le migliori prestazioni della categoria su un'ampia varietà di hardware specifico del dominio. Questo approccio fornisce un uso efficiente delle CPU host multithread, supporta modelli di programmazione completamente asincroni ed è incentrato sull'efficienza di basso livello.

Scopri come sta cambiando la piattaforma ML di produzione di Google, TFX, nel 2020.

TensorFlow Enterprise prepara le tue applicazioni TensorFlow enterprise, con una serie di miglioramenti a TensorFlow su Google Cloud. Sblocca dati e modelli su scala cloud, semplificando al contempo lo sviluppo di applicazioni ML business-critical dal prototipo alla produzione. Insieme, risolviamo la parte più difficile del ML aziendale nella produzione.

Scopri come distribuire ML su telefoni cellulari e dispositivi incorporati. Ora distribuito su miliardi di dispositivi in ​​produzione, è il miglior framework ML multipiattaforma al mondo per dispositivi mobili e microcontroller. Sintonizzati per i nostri nuovi entusiasmanti annunci.

Jacquard è una piattaforma di elaborazione ambientale basata su ML che prende oggetti comuni e familiari e li migliora con nuove abilità ed esperienze digitali, pur rimanendo fedele al loro scopo originale. Descriveremo come abbiamo addestrato e implementato modelli di machine learning con risorse limitate che si integrano perfettamente negli indumenti e negli accessori di tutti i giorni; come la tua giacca preferita, lo zaino o un paio di scarpe che ami indossare.

TensorFlow.js è una piattaforma per l'addestramento e la distribuzione di modelli di machine learning nei browser o ovunque sia possibile eseguire Javascript, come dispositivi mobili, piattaforma mini app WeChat e Raspberry Pi. Fornisce diversi back-end, inclusi CPU, GPU, Node e back-end WASM. Fornisce inoltre una raccolta di modelli pre-addestrati, comprese le due ultime aggiunte: MobileBERT e FaceMesh.

Sfrutta la funzione LiveChat nel live streaming poiché i membri del team TensorFlow risponderanno nella chat in tempo reale. Se avessimo più tempo nel livestream, risponderemo ad alcune domande dal vivo.

Scopri come puoi far parte del crescente ecosistema TensorFlow e diventare un collaboratore attraverso codice, documentazione, istruzione o leadership della comunità.

Presentazione di un framework per pensare a ML, equità e privacy. Questo discorso proporrà un flusso di lavoro ML consapevole dell'equità, illustrerà come gli strumenti TensorFlow come gli indicatori di equità possono essere utilizzati per rilevare e mitigare i pregiudizi e quindi passerà a un caso di studio specifico sulla privacy che guiderà i partecipanti attraverso un paio di pezzi dell'infrastruttura che può aiutare ad addestrare un modello in modo da preservare la privacy.

Introduciamo TensorFlow Quantum, una libreria open source per la prototipazione rapida di nuovi algoritmi ML ibridi quantistici-classici. Questa libreria estenderà l'ambito dell'attuale ML in TensorFlow e fornisce la cassetta degli attrezzi necessaria per riunire le comunità di ricerca sull'informatica quantistica e sull'apprendimento automatico per controllare e modellare i dati quantistici.