Chương trình nghị sự 2020

Hội nghị thượng đỉnh dành cho nhà phát triển TensorFlow 2020 sẽ là buổi phát trực tiếp kéo dài một ngày vào ngày 11 tháng 3 năm 2020.
Tất cả thời gian đều là Giờ ban ngày Thái Bình Dương (UTC-07: 00).

Lưu ý rằng thời gian thực tế có thể thay đổi ± 5 phút. Các cuộc thảo luận bổ sung sẽ được đăng lên Kênh YouTube TensorFlow trong những ngày sau sự kiện.
09:00 Livestream bắt đầu
9 GIỜ 30 PHÚT SÁNG Chủ đạo Megan Kacholia

Kemal El Moujahid

Manasi Joshi
9:55 sáng Học cách đọc với TensorFlow và Keras

Xử lý ngôn ngữ tự nhiên (NLP) đã đạt đến điểm uốn và bài nói chuyện này cho bạn thấy cách TensorFlow và Keras giúp bạn dễ dàng xử lý trước, đào tạo và các mô hình văn bản siêu âm.

Paige Bailey
10:15 sáng TensorFlow Hub: Giúp việc khám phá mô hình trở nên dễ dàng

TF Hub là kho lưu trữ chính cho các mô hình ML. Buổi nói chuyện này xem xét tất cả các tính năng mới và cách chúng có thể làm cho hành trình khám phá mô hình của bạn tốt hơn nữa.

Sandeep Gupta
10:25 sáng ML cộng tác với TensorBoard.dev

Chia sẻ kết quả thí nghiệm là một phần quan trọng của quá trình ML. Buổi nói chuyện này cho thấy cách TensorBoard.dev có thể kích hoạt ML cộng tác bằng cách giúp bạn dễ dàng chia sẻ kết quả thử nghiệm trong bài báo, bài đăng trên blog, phương tiện truyền thông xã hội và hơn thế nữa.

Gal Oshri
10:30 sáng Chuyển Kagglers sang TPU với TF 2.x

Gần đây, Kaggle đã giới thiệu hỗ trợ TPU thông qua nền tảng cạnh tranh của nó. Bài nói chuyện này đề cập đến cách các đối thủ cạnh tranh của Kaggler chuyển đổi từ GPU sang TPU sử dụng, đầu tiên là trong Colab, sau đó là trong máy tính xách tay Kaggle.

Julia Elliott
10:35 sáng Hồ sơ hiệu suất trong TF 2

Buổi nói chuyện này trình bày một hồ sơ mà Google sử dụng nội bộ để điều tra hiệu suất TF trên các nền tảng bao gồm GPU, TPU và CPU.

Qiumin Xu
10:45 sáng Khối hỏi đáp tiềm năng

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Tất cả các loa cho đến nay
10:55 sáng Phá vỡ
11:20 sáng Nghiên cứu với TensorFlow

Trong buổi nói chuyện này, chúng ta sẽ xem xét một số tính năng thú vị của TF rất hữu ích khi thực hiện nghiên cứu.

Alexandre Passos
11:35 sáng Các lớp tối ưu hóa lồi có thể phân biệt

Các bài toán tối ưu hóa lồi được sử dụng để giải quyết nhiều vấn đề trong thế giới thực. Cho đến nay, rất khó để sử dụng chúng trong đường ống TensorFlow. Buổi nói chuyện này trình bày về cvxpylayers, một gói giúp dễ dàng nhúng các vấn đề tối ưu hóa lồi vào TensorFlow, cho phép bạn điều chỉnh chúng bằng cách sử dụng gradient descent.

Akshay Agrawal, Đại học Stanford
11:40 sáng Mở rộng quy mô xử lý dữ liệu Tensorflow với tf.data

Khi việc đào tạo mô hình trở nên phân tán hơn về bản chất, tf.data đã phát triển để nhận biết và hoạt động hiệu quả hơn về phân phối. Buổi nói chuyện này trình bày các công cụ tf.data để mở rộng quy mô xử lý dữ liệu TensorFlow. Cụ thể: dịch vụ tf.data cho phép đường dẫn tf.data của bạn chạy trên một cụm máy và tf.data.snapshot hiện thực hóa kết quả vào đĩa để sử dụng lại qua nhiều lần gọi.

Rohan Jain
11:55 sáng Mở rộng mô hình TensorFlow 2 thành GPU đa nhân công

Buổi nói chuyện này giới thiệu nhiều cải tiến hiệu suất trong TensorFlow 2.2 để tăng tốc và mở rộng khối lượng công việc đào tạo ML của người dùng thành đa GPU nhiều nhân viên. Chúng tôi đi qua các tối ưu hóa bằng cách sử dụng tác vụ tinh chỉnh BERT trong vườn mô hình TF, được viết bằng vòng lặp đào tạo tùy chỉnh.

Zongwei Zhou
12:10 chiều Khai thác tối đa Colab

Tìm hiểu các mẹo và thủ thuật từ nhóm Colab. Bài nói chuyện này mô tả cách người dùng TensorFlow tận dụng tối đa Colab và nhìn sau bức màn để xem Colab hoạt động như thế nào.

Timothy Novikoff
12:15 chiều TensorFlow và Máy học từ các rãnh: Trung tâm Trải nghiệm Đổi mới tại Phòng thí nghiệm Động cơ Phản lực

Chris Mattmann sẽ giải thích cách Trung tâm Trải nghiệm Đổi mới của JPL tại Văn phòng Giám đốc Thông tin hỗ trợ phân tích nâng cao, AI và Học máy bằng cách sử dụng TensorFlow cho Người quản lý thông minh hơn, Cơ sở thông minh hơn, và hơn thế nữa!

Chris Mattmann, NASA
12:25 chiều Khối hỏi đáp tiềm năng

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Diễn giả từ giờ nghỉ trở đi
12:35 chiều Phá vỡ
1:40 chiều MLIR: Tăng tốc TF bằng trình biên dịch

Buổi nói chuyện này sẽ mô tả MLIR - cơ sở hạ tầng trình biên dịch máy học cho TensorFlow và giải thích cách nó giúp TensorFlow mở rộng quy mô nhanh hơn để đáp ứng nhu cầu của phần mềm và phần cứng học máy đang phát triển nhanh chóng.

Jacques Pienaar
1:50 chiều TFRT: Thời gian chạy TensorFlow mới

TFRT là một thời gian chạy mới cho TensorFlow. Tận dụng MLIR, nó nhằm mục đích cung cấp một lớp cơ sở hạ tầng thống nhất, có thể mở rộng với hiệu suất tốt nhất trong lớp trên nhiều loại phần cứng cụ thể của miền. Cách tiếp cận này cung cấp khả năng sử dụng hiệu quả các CPU máy chủ đa luồng, hỗ trợ các mô hình lập trình hoàn toàn không đồng bộ và tập trung vào hiệu quả mức thấp.

Mingsheng Hong
2 giờ chiều TFX: Sản xuất ML với TensorFlow vào năm 2020

Tìm hiểu nền tảng ML sản xuất của Google, TFX, sẽ thay đổi như thế nào vào năm 2020.

Tris Warkentin

Zhitao Li
2:25 chiều TensorFlow Enterprise: Sản xuất TensorFlow với Google Cloud

TensorFlow Enterprise giúp các ứng dụng TensorFlow của bạn sẵn sàng cho doanh nghiệp, với một số cải tiến cho TensorFlow trên Google Cloud. Nó mở khóa dữ liệu và mô hình quy mô Đám mây, đồng thời đơn giản hóa việc phát triển các ứng dụng ML quan trọng trong kinh doanh từ nguyên mẫu đến sản xuất. Cùng nhau, chúng tôi giải quyết phần khó nhất của ML doanh nghiệp trong sản xuất.

Makoto Uchida
2:35 chiều TensorFlow Lite: ML dành cho thiết bị di động và IoT

Tìm hiểu về cách triển khai ML cho điện thoại di động và các thiết bị nhúng. Hiện đã được triển khai trên hàng tỷ thiết bị đang được sản xuất - đó là khung ML đa nền tảng tốt nhất thế giới dành cho thiết bị di động và vi điều khiển. Theo dõi các thông báo thú vị mới của chúng tôi.

Tim Davis

TJ Alumbaugh
2:55 chiều Jacquard: Nhúng ML liền mạch vào các đối tượng hàng ngày

Jacquard là một nền tảng điện toán môi trường xung quanh được hỗ trợ bởi ML, lấy các vật thể bình thường, quen thuộc và nâng cao chúng với các khả năng và trải nghiệm kỹ thuật số mới, trong khi vẫn đúng với mục đích ban đầu của chúng. Chúng tôi sẽ mô tả cách chúng tôi đã đào tạo và triển khai các mô hình học máy hạn chế tài nguyên được nhúng liền mạch vào quần áo và phụ kiện hàng ngày; như áo khoác, ba lô yêu thích của bạn hoặc một đôi giày mà bạn thích mang.

Nicholas Gillian
3:05 chiều TensorFlow.js: Học máy cho Web và hơn thế nữa

TensorFlow.js là một nền tảng để đào tạo và triển khai các mô hình học máy trong trình duyệt hoặc bất kỳ nơi nào Javascript có thể chạy, chẳng hạn như thiết bị di động, nền tảng ứng dụng WeChat mini và Raspberry Pi. Nó cung cấp một số mặt sau, bao gồm CPU, GPU, Node và WASM. Nó cũng cung cấp một bộ sưu tập các mô hình được đào tạo trước, bao gồm hai phần bổ sung mới nhất: MobileBERT và FaceMesh.

Na Li
3:15 chiều Khối hỏi đáp tiềm năng

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Diễn giả từ giờ nghỉ trở đi
3:25 chiều Phá vỡ
3:45 chiều Tham gia vào Cộng đồng TF

Tìm hiểu cách bạn có thể trở thành một phần của hệ sinh thái TensorFlow đang phát triển và trở thành người đóng góp thông qua mã, tài liệu, giáo dục hoặc lãnh đạo cộng đồng.

Joana Carraqueira
3:55 chiều AI có trách nhiệm với TensorFlow: Công bằng và Quyền riêng tư

Giới thiệu một khuôn khổ để suy nghĩ về ML, sự công bằng và quyền riêng tư. Buổi nói chuyện này sẽ đề xuất một quy trình làm việc ML nhận thức công bằng, minh họa cách sử dụng các công cụ TensorFlow như Chỉ báo Công bằng để phát hiện và giảm thiểu sự thiên vị, và sau đó sẽ chuyển sang một nghiên cứu điển hình cụ thể về quyền riêng tư sẽ hướng dẫn người tham gia qua một số phần cơ sở hạ tầng điều đó có thể giúp đào tạo một mô hình theo cách bảo vệ quyền riêng tư.

Catherina Xu

Miguel Guevara
4:20 chiều TensorFlow Quantum: Nền tảng phần mềm cho Học máy lượng tử-cổ điển lai

Chúng tôi giới thiệu TensorFlow Quantum, một thư viện mã nguồn mở để tạo mẫu nhanh các thuật toán ML lượng tử-cổ điển lai mới. Thư viện này sẽ mở rộng phạm vi của ML hiện tại dưới TensorFlow và cung cấp hộp công cụ cần thiết để mang các cộng đồng nghiên cứu máy học và máy tính lượng tử lại với nhau để kiểm soát và mô hình hóa dữ liệu lượng tử.

Masoud Mohseni
4:45 chiều Thông báo kết thúc