การประมวลผลภาษาธรรมชาติ (NLP) มาถึงจุดเปลี่ยนแล้ว และการพูดคุยนี้จะแสดงให้คุณเห็นว่า TensorFlow และ Keras ช่วยให้ประมวลผลล่วงหน้า ฝึกฝน และปรับแต่งโมเดลข้อความไฮเปอร์จูนได้ง่ายเพียงใด

TF Hub เป็นที่เก็บหลักสำหรับโมเดล ML การพูดคุยนี้จะกล่าวถึงคุณลักษณะใหม่ทั้งหมดและวิธีที่สิ่งเหล่านี้จะทำให้เส้นทางการค้นพบแบบจำลองของคุณดียิ่งขึ้น

การแชร์ผลการทดสอบเป็นส่วนสำคัญของกระบวนการ ML การพูดคุยนี้แสดงให้เห็นว่า TensorBoard.dev สามารถเปิดใช้งาน ML ที่ทำงานร่วมกันได้อย่างไร โดยทำให้ง่ายต่อการแชร์ผลการทดสอบในบทความ บล็อกโพสต์ โซเชียลมีเดีย และอื่นๆ

เมื่อเร็ว ๆ นี้ Kaggle ได้เปิดตัวการรองรับ TPU ผ่านแพลตฟอร์มการแข่งขัน การสนทนานี้กล่าวถึงวิธีที่คู่แข่งของ Kaggler เปลี่ยนจากการใช้ GPU เป็น TPU ครั้งแรกใน Colab และจากนั้นในโน้ตบุ๊ก Kaggle

การเสวนานี้นำเสนอผู้สร้างโปรไฟล์ที่ Google ใช้ภายในเพื่อตรวจสอบประสิทธิภาพ TF บนแพลตฟอร์มต่างๆ รวมถึง GPU, TPU และ CPU

โปรดใช้ประโยชน์จากฟีเจอร์ LiveChat ในสตรีมสด เนื่องจากเราจะให้สมาชิกทีม TensorFlow ตอบกลับในการแชทแบบเรียลไทม์ หากเรามีเวลาเพิ่มเติมในการสตรีมสด เราจะตอบคำถามสองสามข้อแบบสดๆ

ในการบรรยายนี้ เราจะพูดถึงคุณสมบัติที่น่าสนใจของ TF ซึ่งมีประโยชน์เมื่อทำการค้นคว้า

ปัญหาการเพิ่มประสิทธิภาพนูนใช้เพื่อแก้ปัญหามากมายในโลกแห่งความเป็นจริง จนถึงขณะนี้ การใช้งานในท่อส่ง TensorFlow นั้นทำได้ยาก การบรรยายนี้จะนำเสนอ cvxpylayers ซึ่งเป็นแพ็คเกจที่ทำให้ง่ายต่อการฝังปัญหาการเพิ่มประสิทธิภาพนูนลงใน TensorFlow เพื่อให้คุณปรับแต่งได้โดยใช้การไล่ระดับสี

เนื่องจากการฝึกโมเดลมีการกระจายมากขึ้นโดยธรรมชาติ tf.data จึงมีการพัฒนาให้มีความตระหนักและประสิทธิภาพในการกระจายมากขึ้น การบรรยายนี้นำเสนอเครื่องมือ tf.data สำหรับปรับขนาดการประมวลผลข้อมูล TensorFlow โดยเฉพาะอย่างยิ่ง: บริการ tf.data ที่อนุญาตให้ไปป์ไลน์ tf.data ของคุณทำงานบนคลัสเตอร์ของเครื่อง และ tf.data.snapshot ที่ทำให้ผลลัพธ์เป็นจริงในดิสก์เพื่อนำกลับมาใช้ใหม่ในการเรียกใช้หลายครั้ง

การพูดคุยนี้แสดงการปรับปรุงประสิทธิภาพหลายอย่างใน TensorFlow 2.2 เพื่อเร่งความเร็วและปรับขนาดเวิร์กโหลดการฝึกอบรม ML ของผู้ใช้เป็น GPU แบบหลายผู้ปฏิบัติงานหลายคน เราดำเนินการปรับแต่งให้เหมาะสมโดยใช้งานปรับแต่งของ BERT ในสวนแบบจำลอง TF ซึ่งเขียนโดยใช้ลูปการฝึกอบรมแบบกำหนดเอง

เรียนรู้กลเม็ดเคล็ดลับจากทีม Colab การพูดคุยนี้จะอธิบายวิธีที่ผู้ใช้ TensorFlow ใช้ประโยชน์สูงสุดจาก Colab และแอบดูเบื้องหลังเพื่อดูว่า Colab ทำงานอย่างไร

Chris Mattmann จะอธิบายวิธีที่ศูนย์ประสบการณ์นวัตกรรมของ JPL ในสำนักงานของ Chief Information Officer รองรับการวิเคราะห์ขั้นสูง, AI และการเรียนรู้ของเครื่องโดยใช้ TensorFlow สำหรับ Smarter Rovers, Smarter Campus และอื่นๆ!

โปรดใช้ประโยชน์จากฟีเจอร์ LiveChat ในสตรีมสด เนื่องจากเราจะให้สมาชิกทีม TensorFlow ตอบกลับในการแชทแบบเรียลไทม์ หากเรามีเวลาเพิ่มเติมในการสตรีมสด เราจะตอบคำถามสองสามข้อแบบสดๆ

การพูดคุยนี้จะอธิบาย MLIR - โครงสร้างพื้นฐานคอมไพเลอร์การเรียนรู้ของเครื่องสำหรับ TensorFlow และอธิบายวิธีที่ช่วยให้ TensorFlow ปรับขนาดได้เร็วขึ้น เพื่อตอบสนองความต้องการของซอฟต์แวร์และฮาร์ดแวร์การเรียนรู้ของเครื่องที่พัฒนาอย่างรวดเร็ว

TFRT เป็นรันไทม์ใหม่สำหรับ TensorFlow การใช้ประโยชน์จาก MLIR มีจุดมุ่งหมายเพื่อมอบเลเยอร์โครงสร้างพื้นฐานแบบรวมเป็นหนึ่งเดียวและขยายได้ โดยมีประสิทธิภาพที่ดีที่สุดในระดับเดียวกันในฮาร์ดแวร์เฉพาะโดเมนที่หลากหลาย แนวทางนี้ให้การใช้งาน CPU โฮสต์แบบมัลติเธรดอย่างมีประสิทธิภาพ รองรับโมเดลการเขียนโปรแกรมแบบอะซิงโครนัสอย่างสมบูรณ์ และเน้นที่ประสิทธิภาพระดับต่ำ

เรียนรู้ว่า TFX แพลตฟอร์ม ML ที่ใช้งานจริงของ Google เปลี่ยนแปลงไปอย่างไรในปี 2020

TensorFlow Enterprise ทำให้องค์กรแอปพลิเคชัน TensorFlow ของคุณพร้อมใช้งาน ด้วยการปรับปรุง TensorFlow จำนวนมากบน Google Cloud โดยจะปลดล็อกข้อมูลและโมเดลสเกลบนคลาวด์ ในขณะเดียวกันก็ทำให้การพัฒนาแอปพลิเคชัน ML ที่สำคัญต่อธุรกิจทำได้ง่ายขึ้นตั้งแต่ต้นแบบไปจนถึงการผลิต เราแก้ปัญหาส่วนที่ยากที่สุดของ ML ระดับองค์กรในการผลิตร่วมกัน

เรียนรู้เกี่ยวกับวิธีการปรับใช้ ML กับโทรศัพท์มือถือและอุปกรณ์ฝังตัว ขณะนี้ ปรับใช้กับอุปกรณ์หลายพันล้านเครื่องในการผลิต ซึ่งเป็นเฟรมเวิร์ก ML ข้ามแพลตฟอร์มที่ดีที่สุดในโลกสำหรับอุปกรณ์เคลื่อนที่และไมโครคอนโทรลเลอร์ ติดตามประกาศใหม่ที่น่าตื่นเต้นของเรา

Jacquard เป็นแพลตฟอร์มคอมพิวเตอร์แอมเบียนท์ที่ใช้ ML ซึ่งนำวัตถุธรรมดาที่คุ้นเคยมาและปรับปรุงด้วยความสามารถและประสบการณ์ดิจิทัลใหม่ ๆ โดยยังคงไว้ซึ่งจุดประสงค์ดั้งเดิม เราจะอธิบายวิธีที่เราฝึกอบรมและปรับใช้โมเดลการเรียนรู้ของเครื่องที่จำกัดทรัพยากร ซึ่งฝังอยู่ในเสื้อผ้าและอุปกรณ์เสริมในชีวิตประจำวันอย่างราบรื่น เช่น เสื้อแจ็คเก็ต กระเป๋าเป้ หรือรองเท้าที่คุณชอบใส่

TensorFlow.js เป็นแพลตฟอร์มสำหรับการฝึกอบรมและปรับใช้โมเดลการเรียนรู้ของเครื่องในเบราว์เซอร์ หรือที่ใดก็ตามที่ Javascript สามารถทำงานได้ เช่น อุปกรณ์มือถือ แพลตฟอร์มแอป WeChat ขนาดเล็ก และ Raspberry Pi มีแบ็กเอนด์หลายตัว รวมถึง CPU, GPU, Node และ WASM แบ็กเอนด์ นอกจากนี้ยังมีคอลเลกชั่นของโมเดลที่ได้รับการฝึกฝน ซึ่งรวมถึงรุ่นใหม่ล่าสุดสองรุ่น ได้แก่ MobileBERT และ FaceMesh

โปรดใช้ประโยชน์จากฟีเจอร์ LiveChat ในสตรีมสด เนื่องจากเราจะให้สมาชิกทีม TensorFlow ตอบกลับในการแชทแบบเรียลไทม์ หากเรามีเวลาเพิ่มเติมในการสตรีมสด เราจะตอบคำถามสองสามข้อแบบสดๆ

เรียนรู้วิธีที่คุณสามารถเป็นส่วนหนึ่งของระบบนิเวศ TensorFlow ที่กำลังเติบโตและเป็นผู้มีส่วนร่วมผ่านโค้ด เอกสารประกอบ การศึกษา หรือความเป็นผู้นำในชุมชน

แนะนำกรอบความคิดเกี่ยวกับ ML ความเป็นธรรม และความเป็นส่วนตัว การพูดคุยนี้จะเสนอเวิร์กโฟลว์ ML ที่คำนึงถึงความเป็นธรรม แสดงให้เห็นว่าเครื่องมือ TensorFlow เช่น Fairness Indicators สามารถใช้ตรวจจับและลดอคติได้อย่างไร จากนั้นจะเปลี่ยนไปเป็นกรณีศึกษาเฉพาะเกี่ยวกับความเป็นส่วนตัว ซึ่งจะแนะนำผู้เข้าร่วมผ่านโครงสร้างพื้นฐานสองสามส่วน ที่สามารถช่วยฝึกโมเดลในลักษณะการรักษาความเป็นส่วนตัวได้

เราขอแนะนำ TensorFlow Quantum ซึ่งเป็นไลบรารีโอเพนซอร์สสำหรับการสร้างต้นแบบอย่างรวดเร็วของอัลกอริธึม ML ควอนตัมคลาสสิกแบบไฮบริดแบบใหม่ ไลบรารีนี้จะขยายขอบเขตของ ML ปัจจุบันภายใต้ TensorFlow และจัดเตรียมกล่องเครื่องมือที่จำเป็นสำหรับการนำคอมพิวเตอร์ควอนตัมและชุมชนการวิจัยแมชชีนเลิร์นนิงมารวมกันเพื่อควบคุมและสร้างแบบจำลองข้อมูลควอนตัม