لقد وصلت معالجة اللغة الطبيعية (NLP) إلى نقطة انعطاف ، ويوضح لك هذا الحديث كيف يسهّل TensorFlow و Keras معالجة النماذج النصية وتدريبها وضبطها.

TF Hub هو المستودع الرئيسي لنماذج ML. يبحث هذا الحديث في جميع الميزات الجديدة وكيف يمكن أن تجعل رحلة اكتشاف النموذج الخاص بك أفضل.

تعد مشاركة نتائج التجربة جزءًا مهمًا من عملية ML. يوضح هذا الحديث كيف يمكن لـ TensorBoard.dev تمكين ML التعاوني من خلال تسهيل مشاركة نتائج التجربة في ورقتك ، ونشر المدونة ، ووسائل التواصل الاجتماعي ، والمزيد.

في الآونة الأخيرة ، قدمت Kaggle دعم TPU من خلال منصة المنافسة الخاصة بها. يتطرق هذا الحديث إلى كيفية انتقال منافسي Kaggler من استخدام GPU إلى TPU ، أولاً في Colab ، ثم في أجهزة الكمبيوتر المحمولة Kaggle.

يقدم هذا الحديث ملف تعريف تستخدمه Google داخليًا للتحقيق في أداء TF على الأنظمة الأساسية بما في ذلك GPU و TPU و CPU.

يرجى الاستفادة من ميزة LiveChat في البث المباشر حيث سيكون لدينا أعضاء فريق TensorFlow يستجيبون في الدردشة في الوقت الفعلي. إذا كان لدينا وقت إضافي في البث المباشر ، فسنجيب على بعض الأسئلة مباشرة.

في هذا الحديث سوف نتناول بعض الميزات المثيرة للاهتمام لـ TF والتي تكون مفيدة عند إجراء البحث.

تستخدم مشاكل التحسين المحدب لحل العديد من المشاكل في العالم الحقيقي. حتى الآن ، كان من الصعب استخدامها في خطوط أنابيب TensorFlow. يقدم هذا الحديث cvxpylayers ، وهي حزمة تجعل من السهل تضمين مشكلات التحسين المحدبة في TensorFlow ، مما يتيح لك ضبطها باستخدام النسب المتدرج.

نظرًا لأن تدريب النموذج يصبح أكثر توزيعًا في الطبيعة ، فقد تطورت tf.data لتكون أكثر وعياً بالتوزيع وأداءً. يقدم هذا الحديث أدوات tf.data لتوسيع نطاق معالجة بيانات TensorFlow. على وجه الخصوص: خدمة tf.data التي تسمح لخط أنابيب tf.data بالعمل على مجموعة من الآلات ، و tf.data.snapshot التي تجسد النتائج على القرص لإعادة استخدامها عبر استدعاءات متعددة.

يعرض هذا الحديث تحسينات متعددة في الأداء في TensorFlow 2.2 لتسريع وتوسيع عبء عمل تدريب ML للمستخدمين إلى وحدات معالجة رسومات متعددة العمال. نتصفح التحسينات باستخدام مهمة ضبط BERT في حديقة نموذج TF ، مكتوبة باستخدام حلقة تدريب مخصصة.

تعرف على النصائح والحيل من فريق Colab. يصف هذا الحديث كيف يستفيد مستخدمو TensorFlow إلى أقصى حد من Colab ، وينظرون خلف الستارة ليروا كيف يعمل Colab.

سيشرح كريس ماتمان كيف يدعم مركز تجربة الابتكار التابع لمختبر الدفع النفاث في مكتب رئيس قسم المعلومات التحليلات المتقدمة والذكاء الاصطناعي والتعلم الآلي باستخدام TensorFlow لـ Smarter Rovers ، و Smarter Rovers ، و Smarter Rovers ، و Smarter Campus ، وما بعده!

يرجى الاستفادة من ميزة LiveChat في البث المباشر حيث سيكون لدينا أعضاء فريق TensorFlow يستجيبون في الدردشة في الوقت الفعلي. إذا كان لدينا وقت إضافي في البث المباشر ، فسنجيب على بعض الأسئلة مباشرة.

سيصف هذا الحديث MLIR - البنية التحتية لمترجم التعلم الآلي لـ TensorFlow ويشرح كيف يساعد TensorFlow على التوسع بشكل أسرع لتلبية احتياجات برامج وأجهزة التعلم الآلي سريعة التطور.

TFRT هو وقت تشغيل جديد لـ TensorFlow. من خلال الاستفادة من MLIR ، تهدف إلى توفير طبقة بنية تحتية موحدة وقابلة للتوسيع مع أفضل أداء في فئتها عبر مجموعة متنوعة من الأجهزة الخاصة بالمجال. يوفر هذا الأسلوب استخدامًا فعالًا لوحدات المعالجة المركزية المضيفة متعددة مؤشرات الترابط ، ويدعم نماذج البرمجة غير المتزامنة تمامًا ، ويركز على الكفاءة منخفضة المستوى.

تعرف على كيفية تغيير منصة Google Production ML ، TFX ، في عام 2020.

تجعل TensorFlow Enterprise مؤسسة تطبيقات TensorFlow الخاصة بك جاهزة ، مع عدد من التحسينات على TensorFlow على Google Cloud. إنه يفتح بيانات ونماذج النطاق السحابي ، مع تبسيط تطوير تطبيقات ML الحيوية للأعمال من النموذج الأولي إلى الإنتاج. معًا ، نحل أصعب جزء من مشروع ML في الإنتاج.

تعرف على كيفية نشر ML على الهواتف المحمولة والأجهزة المضمنة. تم نشره الآن على مليارات الأجهزة قيد الإنتاج - إنه أفضل إطار عمل ML عبر الأنظمة الأساسية للجوّال ووحدات التحكم الدقيقة. استمع لإعلاناتنا الجديدة والمثيرة.

Jacquard هي عبارة عن منصة حوسبة محيطة تعمل بنظام ML والتي تأخذ أشياء عادية ومألوفة وتعززها بقدرات وتجارب رقمية جديدة ، مع الحفاظ على هدفها الأصلي. سنصف كيف قمنا بتدريب ونشر نماذج التعلم الآلي ذات الموارد المحدودة والتي يتم دمجها بسلاسة في الملابس والاكسسوارات اليومية ؛ مثل السترة المفضلة لديك أو حقيبة الظهر أو زوج من الأحذية التي تحب ارتدائها.

TensorFlow.js عبارة عن نظام أساسي للتدريب ونشر نماذج التعلم الآلي في المتصفحات أو في أي مكان يمكن تشغيل Javascript فيه ، مثل الأجهزة المحمولة ومنصة تطبيق WeChat المصغرة و Raspberry Pi. يوفر العديد من النهايات الخلفية ، بما في ذلك وحدة المعالجة المركزية (CPU) و GPU و Node و WASM الخلفية. كما يوفر مجموعة من النماذج التي تم اختبارها مسبقًا ، بما في ذلك أحدث الإضافتين: MobileBERT و FaceMesh.

يرجى الاستفادة من ميزة LiveChat في البث المباشر حيث سيكون لدينا أعضاء فريق TensorFlow يستجيبون في الدردشة في الوقت الفعلي. إذا كان لدينا وقت إضافي في البث المباشر ، فسنجيب على بعض الأسئلة مباشرة.

تعرف على كيف يمكنك أن تكون جزءًا من نظام TensorFlow البيئي المتنامي وأن تصبح مساهمًا من خلال التعليمات البرمجية أو التوثيق أو التعليم أو قيادة المجتمع.

تقديم إطار عمل للتفكير في غسل الأموال والإنصاف والخصوصية. سيقترح هذا الحديث سير عمل ML مدركًا للعدالة ، ويوضح كيف يمكن استخدام أدوات TensorFlow مثل مؤشرات الإنصاف لاكتشاف التحيز وتخفيفه ، ثم ينتقل بعد ذلك إلى دراسة حالة محددة تتعلق بالخصوصية والتي ستوجه المشاركين عبر بضع أجزاء من البنية التحتية يمكن أن تساعد في تدريب نموذج بطريقة تحافظ على الخصوصية.

نقدم TensorFlow Quantum ، وهي مكتبة مفتوحة المصدر للنماذج الأولية السريعة لخوارزميات ML الهجينة الكلاسيكية الكم. ستعمل هذه المكتبة على توسيع نطاق ML الحالي في إطار TensorFlow وتوفر مجموعة الأدوات اللازمة لجمع مجتمعات أبحاث الحوسبة الكمومية والتعلم الآلي معًا للتحكم في البيانات الكمومية ونمذجتها.