Обработка естественного языка (NLP) достигла переломного момента, и в этом докладе показано, как TensorFlow и Keras упрощают предварительную обработку, обучение и гипернастройку текстовых моделей.

TF Hub — это основной репозиторий моделей машинного обучения. В этом докладе рассматриваются все новые функции и то, как они могут сделать ваше исследование модели еще лучше.

Обмен результатами экспериментов — важная часть процесса машинного обучения. В этом докладе показано, как TensorBoard.dev может обеспечить совместное машинное обучение, упрощая обмен результатами экспериментов в вашей статье, блоге, социальных сетях и т. д.

Недавно Kaggle представила поддержку TPU через свою платформу для соревнований. В этом докладе речь пойдет о том, как конкуренты Kaggler перешли с GPU на TPU, сначала в Colab, а затем в ноутбуках Kaggle.

В этом докладе представлен профайлер, который Google использует внутри компании для исследования производительности TF на платформах, включая GPU, TPU и CPU.

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

В этом докладе мы рассмотрим некоторые интересные особенности TF, которые будут полезны при проведении исследований.

Выпуклые задачи оптимизации используются для решения многих задач в реальном мире. До сих пор было сложно использовать их в пайплайнах TensorFlow. В этом докладе представлен пакет cvxpylayers, который упрощает встраивание задач выпуклой оптимизации в TensorFlow, позволяя настраивать их с помощью градиентного спуска.

По мере того, как обучение модели становится более распределенным по своей природе, tf.data эволюционировал, чтобы быть более осведомленным о распределении и более производительным. В этом докладе представлены инструменты tf.data для масштабирования обработки данных TensorFlow. В частности: сервис tf.data, который позволяет вашему конвейеру tf.data работать на кластере машин, и tf.data.snapshot, который материализует результаты на диск для повторного использования при нескольких вызовах.

В этом докладе демонстрируются многочисленные улучшения производительности в TensorFlow 2.2, позволяющие ускорить и масштабировать рабочую нагрузку пользователей по обучению машинному обучению на несколько рабочих процессоров с несколькими графическими процессорами. Мы проходим оптимизацию, используя задачу тонкой настройки BERT в саду модели TF, написанную с использованием пользовательского цикла обучения.

Изучите советы и рекомендации от команды Colab. В этом докладе описывается, как пользователи TensorFlow максимально эффективно используют Colab, и заглядывает за кулисы, чтобы увидеть, как работает Colab.

Крис Маттманн объяснит, как Центр инновационного опыта JPL в офисе директора по информационным технологиям поддерживает расширенную аналитику, искусственный интеллект и машинное обучение с использованием TensorFlow для более умных вездеходов, более умного кампуса и не только!

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

В этом докладе будет рассказано о MLIR — инфраструктуре компилятора машинного обучения для TensorFlow и объяснено, как она помогает TensorFlow быстрее масштабироваться для удовлетворения потребностей быстро развивающегося программного и аппаратного обеспечения машинного обучения.

TFRT — это новая среда выполнения для TensorFlow. Используя MLIR, он стремится обеспечить унифицированный, расширяемый уровень инфраструктуры с лучшей в своем классе производительностью для широкого спектра специфичного для предметной области оборудования. Этот подход обеспечивает эффективное использование многопоточных центральных процессоров хоста, поддерживает полностью асинхронные модели программирования и ориентирован на низкоуровневую эффективность.

Узнайте, как производственная платформа машинного обучения Google, TFX, изменится в 2020 году.

TensorFlow Enterprise делает ваши приложения TensorFlow готовыми к использованию на предприятии благодаря ряду улучшений TensorFlow в Google Cloud. Он открывает доступ к данным и моделям в масштабе облака, упрощая при этом разработку критически важных для бизнеса приложений машинного обучения от прототипа до производства. Вместе мы решаем самую сложную часть корпоративного машинного обучения в производстве.

Узнайте, как развернуть машинное обучение на мобильных телефонах и встроенных устройствах. Теперь это лучшая в мире кроссплатформенная среда машинного обучения для мобильных устройств и микроконтроллеров, развернутая на миллиардах устройств в производственной среде. Следите за нашими новыми интересными объявлениями.

Jacquard — это платформа фоновых вычислений на основе машинного обучения, которая берет обычные, знакомые объекты и дополняет их новыми цифровыми возможностями и опытом, оставаясь при этом верной своей первоначальной цели. Мы опишем, как мы обучили и развернули модели машинного обучения с ограниченными ресурсами, которые легко встраиваются в повседневную одежду и аксессуары; например, ваша любимая куртка, рюкзак или пара обуви, которую вы любите носить.

TensorFlow.js — это платформа для обучения и развертывания моделей машинного обучения в браузерах или везде, где может работать Javascript, например на мобильных устройствах, платформе мини-приложений WeChat и Raspberry Pi. Он предоставляет несколько серверных частей, включая ЦП, ГП, узел и серверную часть WASM. Он также предоставляет набор предварительно обученных моделей, включая два новейших дополнения: MobileBERT и FaceMesh.

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

Узнайте, как вы можете стать частью растущей экосистемы TensorFlow и внести свой вклад с помощью кода, документации, образования или лидерства в сообществе.

Представляем основу для размышлений об машинном обучении, честности и конфиденциальности. В этом выступлении будет предложен рабочий процесс машинного обучения с учетом справедливости, показано, как инструменты TensorFlow, такие как индикаторы справедливости, могут использоваться для обнаружения и смягчения предвзятости, а затем перейдет к конкретному тематическому исследованию конфиденциальности, которое проведет участников через пару элементов инфраструктуры. это может помочь обучить модель с сохранением конфиденциальности.

Мы представляем TensorFlow Quantum, библиотеку с открытым исходным кодом для быстрого прототипирования новых гибридных квантово-классических алгоритмов машинного обучения. Эта библиотека расширит возможности текущего машинного обучения в рамках TensorFlow и предоставит необходимый набор инструментов для объединения сообществ исследователей квантовых вычислений и машинного обучения для управления и моделирования квантовых данных.