自然言語処理 (NLP) は変曲点に達しました。この講演では、TensorFlow と Keras を使用してテキスト モデルの前処理、トレーニング、ハイパーチューニングを容易にする方法を紹介します。

TF Hub は、ML モデルのメイン リポジトリです。この講演では、すべての新機能と、それらがモデル発見の旅をさらに改善する方法について説明します。

実験結果の共有は、ML プロセスの重要な部分です。この講演では、論文、ブログ投稿、ソーシャル メディアなどで実験結果を簡単に共有できるようにすることで、TensorBoard.dev がどのように共同 ML を可能にするかを示します。

最近、Kaggle は競合プラットフォームを通じて TPU サポートを導入しました。この講演では、Kagler の競合他社が、最初は Colab、次に Kaggle ノートブックで、GPU から TPU の使用にどのように移行したかについて触れています。

この講演では、GPU、TPU、CPU などのプラットフォームで TF のパフォーマンスを調査するために Google が内部的に使用しているプロファイラーを紹介します。

TensorFlow チーム メンバーがチャットでリアルタイムに応答するため、ライブ ストリームで LiveChat 機能を活用してください。ライブストリームに追加の時間があれば、ライブでいくつかの質問に答えます.

この講演では、研究を行う際に役立つ TF の興味深い機能について説明します。

凸最適化問題は、現実世界の多くの問題を解決するために使用されます。これまで、TensorFlow パイプラインでそれらを使用することは困難でした。この講演では、凸最適化問題を TensorFlow に簡単に埋め込むことができるパッケージである cvxpylayers を紹介し、勾配降下を使用してそれらを調整できるようにします。

モデルのトレーニングが本質的により分散されるようになるにつれて、tf.data はより分散を認識し、パフォーマンスが向上するように進化しました。この講演では、TensorFlow データ処理をスケーリングするための tf.data ツールを紹介します。具体的には、tf.data パイプラインをマシンのクラスターで実行できるようにする tf.data サービスと、複数の呼び出しで再利用するために結果をディスクに具体化する tf.data.snapshot です。

このトークでは、TensorFlow 2.2 の複数のパフォーマンス改善を紹介し、ユーザーの ML トレーニング ワークロードをマルチワーカー マルチ GPU に加速およびスケーリングします。カスタム トレーニング ループを使用して記述された TF モデル ガーデンの BERT 微調整タスクを使用して、最適化について説明します。

Colab チームからヒントとコツを学びましょう。このトークでは、TensorFlow ユーザーが Colab を最大限に活用する方法について説明し、Colab がどのように機能するかを裏から覗きます。

Chris Mattmann が、最高情報責任者のオフィスにある JPL のイノベーション エクスペリエンス センターが、よりスマートなローバー、よりスマートなキャンパスなどのために TensorFlow を使用して高度な分析、AI、機械学習をどのようにサポートしているかを説明します。

TensorFlow チーム メンバーがチャットでリアルタイムに応答するため、ライブ ストリームで LiveChat 機能を活用してください。ライブストリームに追加の時間があれば、ライブでいくつかの質問に答えます.

この講演では、MLIR (TensorFlow 用の機械学習コンパイラ インフラストラクチャ) について説明し、急速に進化する機械学習ソフトウェアとハ​​ードウェアのニーズを満たすために TensorFlow がより高速にスケーリングするのに MLIR がどのように役立つかを説明します。

TFRT は TensorFlow の新しいランタイムです。 MLIR を活用して、さまざまなドメイン固有のハードウェアにわたってクラス最高のパフォーマンスを備えた、統合された拡張可能なインフラストラクチャ レイヤーを提供することを目指しています。このアプローチは、マルチスレッド ホスト CPU の効率的な使用を提供し、完全な非同期プログラミング モデルをサポートし、低レベルの効率に重点を置いています。

Google の実稼働 ML プラットフォームである TFX が 2020 年にどのように変化しているかをご覧ください。

TensorFlow Enterprise は、TensorFlow アプリケーションをエンタープライズ対応にし、Google Cloud 上の TensorFlow に多数の拡張機能を追加します。クラウド スケールのデータとモデルのロックを解除しながら、プロトタイプから本番環境まで、ビジネス クリティカルな ML アプリケーションの開発を簡素化します。一緒に、本番環境でのエンタープライズ ML の最も困難な部分を解決します。

ML を携帯電話や組み込みデバイスにデプロイする方法について学びます。現在、何十億もの実稼働デバイスにデプロイされています。これは、モバイルおよびマイクロコントローラー向けの世界最高のクロスプラットフォーム ML フレームワークです。新しいエキサイティングな発表をお見逃しなく。

Jacquard は、ML を利用したアンビエント コンピューティング プラットフォームであり、通常の使い慣れたオブジェクトを新しいデジタル機能とエクスペリエンスで強化しながら、元の目的に忠実です。日常の衣服やアクセサリーにシームレスに組み込まれる、リソースに制約のある機械学習モデルをどのようにトレーニングして展開したかについて説明します。お気に入りのジャケット、バックパック、履きたい靴など。

TensorFlow.js は、ブラウザ、またはモバイル デバイス、WeChat ミニアプリ プラットフォーム、Raspberry Pi など、Javascript を実行できるあらゆる場所で機械学習モデルをトレーニングおよびデプロイするためのプラットフォームです。 CPU、GPU、ノード、WASM バックエンドなど、いくつかのバックエンドを提供します。また、最新の 2 つの追加である MobileBERT と FaceMesh を含む、事前トレーニング済みモデルのコレクションも提供します。

TensorFlow チーム メンバーがチャットでリアルタイムに応答するため、ライブ ストリームで LiveChat 機能を活用してください。ライブストリームに追加の時間があれば、ライブでいくつかの質問に答えます.

成長する TensorFlow エコシステムの一員になり、コード、ドキュメント、教育、またはコミュニティ リーダーシップを通じて貢献者になる方法を学びましょう。

ML、公平性、プライバシーについて考えるフレームワークを紹介します。この講演では、公平性を意識した ML ワークフローを提案し、Fairness Indicators などの TensorFlow ツールを使用してバイアスを検出および軽減する方法を説明します。その後、プライバシーに関する特定のケーススタディに移行し、参加者にインフラストラクチャのいくつかの部分を説明します。これは、プライバシーを保護する方法でモデルをトレーニングするのに役立ちます。

TensorFlow Quantum は、新しいハイブリッド量子古典 ML アルゴリズムのラピッド プロトタイピング用のオープンソース ライブラリです。このライブラリは、TensorFlow の下で現在の ML の範囲を拡張し、量子コンピューティングと機械学習の研究コミュニティをまとめて量子データを制御およびモデル化するために必要なツールボックスを提供します。