Natural Language Processing (NLP) telah mencapai titik belok, dan pembicaraan ini menunjukkan kepada Anda bagaimana TensorFlow dan Keras mempermudah praproses, melatih, dan menyempurnakan model teks.

TF Hub adalah repositori utama untuk model ML. Pembicaraan ini membahas semua fitur baru dan bagaimana fitur tersebut dapat membuat perjalanan penemuan model Anda menjadi lebih baik.

Berbagi hasil eksperimen adalah bagian penting dari proses ML. Pembicaraan ini menunjukkan bagaimana TensorBoard.dev dapat mengaktifkan ML kolaboratif dengan mempermudah berbagi hasil eksperimen di makalah, entri blog, media sosial, dan banyak lagi.

Baru-baru ini, Kaggle memperkenalkan dukungan TPU melalui platform kompetisinya. Pembicaraan ini membahas bagaimana pesaing Kaggler beralih dari penggunaan GPU ke TPU, pertama di Colab, lalu di notebook Kaggle.

Pembicaraan ini menyajikan profiler yang digunakan Google secara internal untuk menyelidiki kinerja TF pada platform termasuk GPU, TPU, dan CPU.

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Dalam pembicaraan ini kita akan membahas beberapa fitur menarik dari TF yang berguna saat melakukan penelitian.

Masalah optimasi cembung digunakan untuk menyelesaikan banyak masalah di dunia nyata. Sampai sekarang, sulit untuk menggunakannya di pipeline TensorFlow. Pembicaraan ini menyajikan cvxpylayers, sebuah paket yang memudahkan untuk menyematkan masalah pengoptimalan cembung ke dalam TensorFlow, memungkinkan Anda menyetelnya menggunakan penurunan gradien.

Karena pelatihan model menjadi lebih terdistribusi secara alami, tf.data telah berkembang menjadi lebih sadar distribusi dan berkinerja. Pembicaraan ini menyajikan alat tf.data untuk menskalakan pemrosesan data TensorFlow. Khususnya: layanan tf.data yang memungkinkan pipeline tf.data Anda berjalan pada sekelompok mesin, dan tf.data.snapshot yang mewujudkan hasil ke disk untuk digunakan kembali di beberapa pemanggilan.

Pembicaraan ini menampilkan beberapa peningkatan kinerja di TensorFlow 2.2 untuk mempercepat dan menskalakan beban kerja pelatihan ML pengguna ke multi-GPU multi-pekerja. Kami berjalan melalui optimasi menggunakan tugas fine-tuning BERT di taman model TF, yang ditulis menggunakan loop pelatihan khusus.

Pelajari tips dan trik dari tim Colab. Pembicaraan ini menjelaskan cara pengguna TensorFlow memanfaatkan Colab secara maksimal, dan mengintip di balik tirai untuk melihat cara kerja Colab.

Chris Mattmann akan menjelaskan bagaimana Pusat Pengalaman Inovasi JPL di Kantor Chief Information Officer mendukung analitik tingkat lanjut, AI, dan Pembelajaran Mesin menggunakan TensorFlow untuk Smarter Rovers, Kampus yang Lebih Cerdas, dan seterusnya!

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pembicaraan ini akan menjelaskan MLIR - infrastruktur kompiler pembelajaran mesin untuk TensorFlow dan menjelaskan bagaimana hal itu membantu TensorFlow untuk menskalakan lebih cepat untuk memenuhi kebutuhan perangkat lunak dan perangkat keras pembelajaran mesin yang berkembang pesat.

TFRT adalah runtime baru untuk TensorFlow. Memanfaatkan MLIR, ini bertujuan untuk menyediakan lapisan infrastruktur terpadu yang dapat diperluas dengan kinerja terbaik di kelasnya di berbagai perangkat keras khusus domain. Pendekatan ini menyediakan penggunaan CPU host multithread secara efisien, mendukung model pemrograman asinkron sepenuhnya, dan berfokus pada efisiensi tingkat rendah.

Pelajari bagaimana platform ML produksi Google, TFX, berubah pada tahun 2020.

TensorFlow Enterprise membuat aplikasi TensorFlow perusahaan Anda siap, dengan sejumlah penyempurnaan TensorFlow di Google Cloud. Ini membuka data dan model skala Cloud, sekaligus menyederhanakan pengembangan aplikasi ML penting bisnis dari prototipe hingga produksi. Bersama-sama, kami memecahkan bagian tersulit dari ML perusahaan dalam produksi.

Pelajari tentang cara menerapkan ML ke ponsel dan perangkat tersemat. Sekarang digunakan di miliaran perangkat dalam produksi - ini adalah kerangka kerja ML lintas platform terbaik di dunia untuk seluler dan mikrokontroler. Nantikan pengumuman baru kami yang menarik.

Jacquard adalah platform komputasi ambient bertenaga ML yang mengambil objek biasa yang sudah dikenal dan meningkatkannya dengan kemampuan dan pengalaman digital baru, sambil tetap setia pada tujuan aslinya. Kami akan menjelaskan bagaimana kami telah melatih dan menerapkan model pembelajaran mesin dengan sumber daya terbatas yang dapat disematkan dengan mulus ke dalam pakaian dan aksesori sehari-hari; seperti jaket favorit Anda, ransel, atau sepasang sepatu yang Anda suka pakai.

TensorFlow.js adalah platform untuk melatih dan menerapkan model pembelajaran mesin di browser, atau di mana pun Javascript dapat berjalan, seperti perangkat seluler, platform aplikasi mini WeChat, dan Raspberry Pi. Ini menyediakan beberapa back end, termasuk CPU, GPU, Node, dan back end WASM. Ini juga menyediakan koleksi model pra-latihan, termasuk dua tambahan terbaru: MobileBERT dan FaceMesh.

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pelajari bagaimana Anda dapat menjadi bagian dari ekosistem TensorFlow yang berkembang dan menjadi kontributor melalui kode, dokumentasi, pendidikan, atau kepemimpinan komunitas.

Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi. Pembicaraan ini akan mengusulkan alur kerja ML yang sadar akan keadilan, menggambarkan bagaimana alat TensorFlow seperti Indikator Kewajaran dapat digunakan untuk mendeteksi dan mengurangi bias, dan kemudian akan beralih ke studi kasus tertentu mengenai privasi yang akan memandu peserta melalui beberapa bagian infrastruktur yang dapat membantu melatih model dengan cara menjaga privasi.

Kami memperkenalkan TensorFlow Quantum, library open-source untuk pembuatan prototipe cepat algoritme ML kuantum klasik hibrid baru. Pustaka ini akan memperluas cakupan ML saat ini di bawah TensorFlow dan menyediakan kotak alat yang diperlukan untuk menyatukan komputasi kuantum dan komunitas riset pembelajaran mesin untuk mengontrol dan memodelkan data kuantum.