Agenda 2020
09:00 | Rozpoczyna się transmisja na żywo | |
9:30 RANO | Myśl przewodnia | Megan Kacholia Kemal El Moujahid Manasi Joshi |
9:55 | Nauka czytania z TensorFlow i Keras Przetwarzanie języka naturalnego (NLP) osiągnęło punkt przegięcia, a ta prezentacja pokazuje, jak TensorFlow i Keras ułatwiają wstępne przetwarzanie, trenowanie i dostrajanie modeli tekstowych. | Paige Bailey |
10:15 | TensorFlow Hub: ułatwienie odkrywania modeli TF Hub to główne repozytorium modeli ML. W tym wykładzie przyjrzymy się wszystkim nowym funkcjom i tym, jak mogą one jeszcze bardziej ulepszyć Twoją podróż do odkrywania modeli. | Sandeep Gupta |
10:25 | Wspólna ML z TensorBoard.dev Udostępnianie wyników eksperymentów jest ważną częścią procesu ML. Ta prezentacja pokazuje, w jaki sposób TensorBoard.dev może umożliwić kooperacyjną ML, ułatwiając udostępnianie wyników eksperymentów w gazecie, poście na blogu, w mediach społecznościowych i nie tylko. | Gal Oshri |
10:30 RANO | Przejście Kagglerów na TPU z TF 2.x Niedawno Kaggle wprowadził obsługę TPU za pośrednictwem swojej platformy konkursowej. Ta rozmowa dotyczy tego, jak konkurenci Kagglera przeszli z GPU na TPU, najpierw w Colab, a następnie w notebookach Kaggle. | Julia Elliotta |
10:35 | Profilowanie wydajności w TF 2 Ta prezentacja przedstawia profiler, którego Google używa wewnętrznie do badania wydajności TF na platformach, w tym GPU, TPU i CPU. | Qiumin Xu | 10:45 | Potencjalna blokada pytań i odpowiedzi Skorzystaj z funkcji LiveChat w transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieli więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo. | Wszyscy mówcy do tej pory |
10:55 | Przerwanie | |
11:20 | Badania z TensorFlow W tym wykładzie omówimy kilka interesujących funkcji TF, które są przydatne podczas prowadzenia badań. | Aleksandra Passosa |
11:35 | Zróżnicowane wypukłe warstwy optymalizacji Problemy optymalizacji wypukłej służą do rozwiązywania wielu problemów w świecie rzeczywistym. Do tej pory trudno było je stosować w rurociągach TensorFlow. Ta prezentacja przedstawia cvxpylayers, pakiet, który ułatwia osadzenie wypukłych problemów optymalizacji w TensorFlow, umożliwiając ich dostrojenie za pomocą gradientu. | Akshay Agrawal, Uniwersytet Stanforda |
11:40 | Skalowanie przetwarzania danych Tensorflow za pomocą tf.data W miarę jak uczenie modeli staje się bardziej rozproszone, tf.data ewoluowało, aby być bardziej świadomym dystrybucji i bardziej wydajnym. W prelekcji przedstawiono narzędzia tf.data do skalowania przetwarzania danych TensorFlow. W szczególności: usługa tf.data, która umożliwia działanie potoku tf.data w klastrze maszyn, oraz tf.data.snapshot, która materializuje wyniki na dysku w celu ponownego użycia w wielu wywołaniach. | Rohan Jain |
11:55 | Skalowanie modeli TensorFlow 2 do wielozadaniowych procesorów graficznych W tym wykładzie przedstawiono wiele ulepszeń wydajności w TensorFlow 2.2, które przyspieszają i skalują obciążenie treningowe użytkowników w zakresie uczenia maszynowego do wieloprocesorowych procesorów graficznych. Przechodzimy przez optymalizacje za pomocą zadania dostrajającego BERT w ogrodzie modeli TF, napisanego przy użyciu niestandardowej pętli treningowej. | Zongwei Zhou |
12:10 | Jak najlepiej wykorzystać Colab Poznaj porady i wskazówki od zespołu Colab. W tym wykładzie opisujemy, w jaki sposób użytkownicy TensorFlow w pełni wykorzystują Colab, i zaglądamy za kurtynę, aby zobaczyć, jak działa Colab. | Timothy Novikoff |
12:15 | TensorFlow i uczenie maszynowe z okopów: Centrum innowacji w Laboratorium Napędów Odrzutowych Chris Mattmann wyjaśni, w jaki sposób Centrum Doświadczeń Innowacji JPL w Biurze Dyrektora ds. Informacji wspiera zaawansowaną analitykę, sztuczną inteligencję i uczenie maszynowe przy użyciu TensorFlow dla Smarter Rovers, Smarter Campus i nie tylko! | Chris Mattmann, NASA |
12:25 | Potencjalna blokada pytań i odpowiedzi Skorzystaj z funkcji LiveChat w transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieli więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo. | Prelegenci od przerwy |
12:35 | Przerwanie | |
13:40 | MLIR: Przyspieszenie TF za pomocą kompilatorów W tym wykładzie opiszemy MLIR — infrastrukturę kompilatora uczenia maszynowego dla TensorFlow i wyjaśnimy, w jaki sposób pomaga TensorFlow w szybszym skalowaniu w celu zaspokojenia potrzeb szybko ewoluującego oprogramowania i sprzętu do uczenia maszynowego. | Jacques Pienaar |
13:50 | TFRT: nowe środowisko wykonawcze TensorFlow TFRT to nowe środowisko wykonawcze dla TensorFlow. Wykorzystując MLIR, ma na celu zapewnienie ujednoliconej, rozszerzalnej warstwy infrastruktury z najlepszą w swojej klasie wydajnością na szerokiej gamie sprzętu specyficznego dla domeny. Takie podejście zapewnia wydajne wykorzystanie wielowątkowych procesorów hosta, obsługuje w pełni asynchroniczne modele programowania i koncentruje się na wydajności na niskim poziomie. | Mingsheng Hong |
14:00 | TFX: Production ML z TensorFlow w 2020 r. Dowiedz się, jak produkcyjna platforma ML firmy Google, TFX, zmieni się w 2020 roku. | Tris Warkentin Zhitao Li |
14:25 | TensorFlow Enterprise: Produkcja TensorFlow z Google Cloud TensorFlow Enterprise sprawia, że Twoje aplikacje TensorFlow są gotowe do pracy, dzięki wielu ulepszeniom TensorFlow w Google Cloud. Odblokowuje dane i modele w skali chmury, jednocześnie upraszczając tworzenie aplikacji ML o znaczeniu krytycznym dla biznesu, od prototypu po produkcję. Wspólnie rozwiązujemy najtrudniejszą część przedsiębiorstwa ML w produkcji. | Makoto Uchida |
14:35 | TensorFlow Lite: ML dla urządzeń mobilnych i IoT Dowiedz się, jak wdrożyć ML na telefony komórkowe i urządzenia wbudowane. Obecnie wdrożony na miliardach urządzeń w produkcji — jest to najlepsza na świecie wieloplatformowa platforma ML dla urządzeń mobilnych i mikrokontrolerów. Oglądaj nasze nowe ekscytujące ogłoszenia. | Tim Davis TJ Alumbaugh |
14:55 | Jacquard: bezproblemowe osadzanie ML w codziennych obiektach Jacquard to oparta na ML platforma przetwarzania otoczenia, która wykorzystuje zwykłe, znajome obiekty i wzbogaca je o nowe cyfrowe możliwości i doświadczenia, zachowując jednocześnie wierność ich pierwotnemu celowi. Opiszemy, w jaki sposób wyszkoliliśmy i wdrożyliśmy modele uczenia maszynowego o ograniczonych zasobach, które są bezproblemowo osadzane w codziennych ubraniach i akcesoriach; jak ulubiona kurtka, plecak lub para butów, które uwielbiasz nosić. | Mikołaj Gillian |
15:05 | TensorFlow.js: uczenie maszynowe w sieci i poza nią TensorFlow.js to platforma do szkolenia i wdrażania modeli uczenia maszynowego w przeglądarkach lub w dowolnym miejscu, w którym można uruchomić JavaScript, takim jak urządzenia mobilne, platforma mini aplikacji WeChat i Raspberry Pi. Zapewnia kilka zapleczy, w tym zaplecze CPU, GPU, Node i WASM. Zapewnia również kolekcję wstępnie wytrenowanych modeli, w tym dwa najnowsze dodatki: MobileBERT i FaceMesh. | Na Li |
15:15 | Potencjalna blokada pytań i odpowiedzi Skorzystaj z funkcji LiveChat w transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieli więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo. | Prelegenci od przerwy |
15:25 | Przerwanie | |
15:45 | Zaangażowanie się w społeczność TF Dowiedz się, jak możesz stać się częścią rozwijającego się ekosystemu TensorFlow i zostać współtwórcą poprzez kod, dokumentację, edukację lub przywództwo społeczności. | Joana Carraqueira |
15:55 | Odpowiedzialna sztuczna inteligencja z TensorFlow: uczciwość i prywatność Przedstawiamy ramy do myślenia o ML, uczciwości i prywatności. W trakcie tego wykładu zaproponujemy przepływ pracy ML uwzględniający uczciwość, zilustrujemy, w jaki sposób narzędzia TensorFlow, takie jak wskaźniki uczciwości, mogą być wykorzystywane do wykrywania i łagodzenia stronniczości, a następnie przejdzie do konkretnego studium przypadku dotyczącego prywatności, które przeprowadzi uczestników przez kilka elementów infrastruktury które mogą pomóc w szkoleniu modelu w sposób chroniący prywatność. | Katarzyna Xu Miguel Guevara |
16:20 | TensorFlow Quantum: platforma oprogramowania do hybrydowego Quantum-klasycznego uczenia maszynowego Przedstawiamy TensorFlow Quantum, bibliotekę typu open source do szybkiego prototypowania nowatorskich hybrydowych algorytmów kwantowo-klasycznej ML. Ta biblioteka rozszerzy zakres obecnego uczenia maszynowego w ramach TensorFlow i zapewni niezbędny zestaw narzędzi do połączenia społeczności badawczych zajmujących się obliczeniami kwantowymi i uczeniem maszynowym w celu kontrolowania i modelowania danych kwantowych. | Masud Mohseni |
16:45 | Ogłoszenia końcowe |