자연어 처리(NLP)가 변곡점에 도달했습니다. 이 강연에서는 TensorFlow와 Keras를 통해 텍스트 모델을 쉽게 사전 처리, 학습 및 미세 조정하는 방법을 보여줍니다.

TF Hub는 ML 모델의 기본 리포지토리입니다. 이 강연에서는 모든 새로운 기능과 이 기능을 통해 모델 검색 여정을 더욱 개선할 수 있는 방법을 살펴봅니다.

실험 결과를 공유하는 것은 ML 프로세스의 중요한 부분입니다. 이 강연은 TensorBoard.dev가 논문, 블로그 게시물, 소셜 미디어 등에서 실험 결과를 쉽게 공유할 수 있도록 하여 협업 ML을 가능하게 하는 방법을 보여줍니다.

최근 Kaggle은 경쟁 플랫폼을 통해 TPU 지원을 도입했습니다. 이 강연에서는 Kaggler 경쟁업체가 먼저 Colab에서, 그 다음에는 Kaggle 노트북에서 GPU 사용을 TPU 사용으로 전환한 방법을 다룹니다.

이 강연에서는 GPU, TPU 및 CPU를 포함한 플랫폼에서 TF 성능을 조사하기 위해 Google이 내부적으로 사용하는 프로파일러를 소개합니다.

TensorFlow 팀 구성원이 채팅에서 실시간으로 응답하게 되므로 라이브 스트림에서 LiveChat 기능을 활용하십시오. 생방송에 시간이 더 있으면 몇 가지 질문에 생방송으로 답변해 드리겠습니다.

이 강연에서 우리는 연구를 할 때 유용한 TF의 몇 가지 흥미로운 기능에 대해 알아볼 것입니다.

볼록 최적화 문제는 현실 세계의 많은 문제를 해결하는 데 사용됩니다. 지금까지는 TensorFlow 파이프라인에서 사용하기가 어려웠습니다. 이 강연에서는 볼록 최적화 문제를 TensorFlow에 쉽게 포함할 수 있게 해주는 패키지인 cvxpylayers를 제공하여 경사하강법을 사용하여 문제를 조정할 수 있습니다.

모델 교육이 본질적으로 더 많이 분산됨에 따라 tf.data는 더 많은 분포를 인식하고 성능이 향상되도록 진화했습니다. 이 강연에서는 TensorFlow 데이터 처리를 확장하기 위한 tf.data 도구를 소개합니다. 특히: tf.data 파이프라인이 머신 클러스터에서 실행되도록 하는 tf.data 서비스와 여러 호출에서 재사용할 수 있도록 결과를 디스크로 구체화하는 tf.data.snapshot이 있습니다.

이 강연에서는 사용자의 ML 교육 워크로드를 다중 작업자 다중 GPU로 가속화하고 확장하기 위해 TensorFlow 2.2의 여러 성능 개선 사항을 보여줍니다. 맞춤형 훈련 루프를 사용하여 작성된 TF 모델 정원에서 BERT 미세 조정 작업을 사용하여 최적화를 진행합니다.

Colab 팀의 팁과 요령을 알아보세요. 이 강연에서는 TensorFlow 사용자가 Colab을 최대한 활용하는 방법을 설명하고 Colab이 어떻게 작동하는지 확인하기 위해 막 뒤를 엿봅니다.

Chris Mattmann이 최고 정보 책임자(CIO)의 사무실에 있는 JPL의 혁신 경험 센터가 TensorFlow for Smarter Rovers, Smarter Campus 등을 사용하여 고급 분석, AI 및 기계 학습을 지원하는 방법을 설명합니다!

TensorFlow 팀 구성원이 채팅에서 실시간으로 응답하게 되므로 라이브 스트림에서 LiveChat 기능을 활용하십시오. 생방송에 시간이 더 있으면 몇 가지 질문에 생방송으로 답변해 드리겠습니다.

이 강연에서는 TensorFlow용 기계 학습 컴파일러 인프라인 MLIR에 대해 설명하고 TensorFlow가 빠르게 진화하는 기계 학습 소프트웨어 및 하드웨어의 요구 사항을 충족하도록 더 빠르게 확장하는 데 어떻게 도움이 되는지 설명합니다.

TFRT는 TensorFlow의 새로운 런타임입니다. MLIR을 활용하여 다양한 도메인 특정 하드웨어에서 동급 최고의 성능을 갖춘 확장 가능한 통합 인프라 계층을 제공하는 것을 목표로 합니다. 이 접근 방식은 다중 스레드 호스트 CPU의 효율적인 사용을 제공하고 완전히 비동기식 프로그래밍 모델을 지원하며 낮은 수준의 효율성에 중점을 둡니다.

Google 프로덕션 ML 플랫폼인 TFX가 2020년에 어떻게 변화하고 있는지 알아보세요.

TensorFlow Enterprise는 Google Cloud의 TensorFlow에 대한 다양한 개선 사항을 통해 TensorFlow 애플리케이션을 엔터프라이즈급으로 만들 수 있습니다. 프로토타입에서 프로덕션에 이르기까지 비즈니스 크리티컬 ML 애플리케이션의 개발을 단순화하는 동시에 클라우드 규모의 데이터 및 모델을 잠금 해제합니다. 우리는 함께 프로덕션에서 엔터프라이즈 ML의 가장 어려운 부분을 해결합니다.

휴대폰 및 임베디드 장치에 ML을 배포하는 방법에 대해 알아보세요. 이제 프로덕션 환경에서 수십억 개의 장치에 배포되며 모바일 및 마이크로컨트롤러를 위한 세계 최고의 크로스 플랫폼 ML 프레임워크입니다. 새롭고 흥미로운 발표를 시청하십시오.

Jacquard는 ML 기반 앰비언트 컴퓨팅 플랫폼으로 평범하고 친숙한 물체를 원래 목적에 충실하면서 새로운 디지털 기능과 경험으로 향상시킵니다. 일상적인 의류 및 액세서리에 원활하게 내장되는 리소스가 제한된 기계 학습 모델을 어떻게 훈련하고 배포했는지 설명합니다. 좋아하는 재킷, 배낭 또는 즐겨 신는 신발 한 켤레.

TensorFlow.js는 브라우저 또는 모바일 장치, WeChat 미니 앱 플랫폼, Raspberry Pi와 같이 Javascript를 실행할 수 있는 모든 곳에서 기계 학습 모델을 교육하고 배포하기 위한 플랫폼입니다. CPU, GPU, 노드 및 WASM 백엔드를 포함한 여러 백엔드를 제공합니다. 또한 MobileBERT 및 FaceMesh라는 두 가지 최신 추가 항목을 포함하여 사전 훈련된 모델 모음을 제공합니다.

TensorFlow 팀 구성원이 채팅에서 실시간으로 응답하게 되므로 라이브 스트림에서 LiveChat 기능을 활용하십시오. 생방송에 시간이 더 있으면 몇 가지 질문에 생방송으로 답변해 드리겠습니다.

성장하는 TensorFlow 생태계의 일부가 되고 코드, 문서, 교육 또는 커뮤니티 리더십을 통해 기여자가 되는 방법을 알아보세요.

ML, 공정성 및 개인 정보 보호에 대해 생각하는 프레임워크를 소개합니다. 이 강연에서는 공정성 인식 ML 워크플로를 제안하고 공정성 지표와 같은 TensorFlow 도구를 사용하여 편향을 감지하고 완화할 수 있는 방법을 설명한 다음 몇 가지 인프라 부분을 통해 참가자를 안내하는 개인 정보 보호에 관한 특정 사례 연구로 전환합니다. 프라이버시를 보호하는 방식으로 모델을 훈련하는 데 도움이 될 수 있습니다.

새로운 하이브리드 양자-고전 ML 알고리즘의 신속한 프로토타이핑을 위한 오픈 소스 라이브러리인 TensorFlow Quantum을 소개합니다. 이 라이브러리는 TensorFlow에서 현재 ML의 범위를 확장하고 양자 데이터를 제어하고 모델링하기 위해 양자 컴퓨팅 및 머신 러닝 연구 커뮤니티를 통합하는 데 필요한 도구 상자를 제공합니다.