Agenda 2020

TensorFlow Dev Summit 2020 será una transmisión en vivo de un día el 11 de marzo de 2020.
Todos los horarios son Hora de verano del Pacífico (UTC-07:00).

Tenga en cuenta que los tiempos reales pueden variar ±5 minutos. Se publicarán charlas adicionales en el canal de YouTube de TensorFlow en los días posteriores al evento.
09 A.M Comienza la transmisión en vivo
09:30 AM Fundamental megan kacholia

Kemal El Mujahid

manasi joshi
9:55 Aprendiendo a leer con TensorFlow y Keras

El procesamiento del lenguaje natural (NLP, por sus siglas en inglés) ha llegado a un punto de inflexión, y esta charla le muestra cómo TensorFlow y Keras facilitan el preprocesamiento, el entrenamiento y el hiperajuste de los modelos de texto.

paige bailey
10:15 TensorFlow Hub: facilitando el descubrimiento de modelos

TF Hub es el repositorio principal de modelos de ML. Esta charla analiza todas las funciones nuevas y cómo pueden hacer que su viaje de descubrimiento de modelos sea aún mejor.

Sandeep Gupta
10:25 Aprendizaje automático colaborativo con TensorBoard.dev

Compartir los resultados de los experimentos es una parte importante del proceso de ML. Esta charla muestra cómo TensorBoard.dev puede habilitar el aprendizaje automático colaborativo al facilitar el intercambio de resultados de experimentos en su documento, publicación de blog, redes sociales y más.

gal oshri
10:30 Transición de Kagglers a TPU con TF 2.x

Recientemente, Kaggle introdujo la compatibilidad con TPU a través de su plataforma de competencia. Esta charla trata sobre cómo los competidores de Kaggler pasaron del uso de GPU a TPU, primero en Colab y luego en portátiles Kaggle.

julia eliott
10:35 Perfilado de rendimiento en TF 2

Esta charla presenta un generador de perfiles que Google usa internamente para investigar el rendimiento de TF en plataformas que incluyen GPU, TPU y CPU.

qiumin xu
10:45 Posible bloque de preguntas y respuestas

Aproveche la función LiveChat en la transmisión en vivo, ya que los miembros del equipo de TensorFlow responderán en el chat en tiempo real. Si tenemos tiempo adicional en la transmisión en vivo, responderemos algunas preguntas en vivo.

Todos los oradores hasta ahora
10:55 Romper
11:20 Investigación con TensorFlow

En esta charla, repasaremos algunas características interesantes de TF que son útiles al realizar investigaciones.

Alejandro Passos
11:35 Capas de optimización convexas diferenciables

Los problemas de optimización convexa se utilizan para resolver muchos problemas en el mundo real. Hasta ahora, ha sido difícil usarlos en las canalizaciones de TensorFlow. Esta charla presenta cvxpylayers, un paquete que facilita la incorporación de problemas de optimización convexos en TensorFlow, lo que le permite ajustarlos mediante el descenso de gradiente.

Akshay Agrawal, Universidad de Stanford
11:40 Escalando el procesamiento de datos de Tensorflow con tf.data

A medida que el entrenamiento del modelo se vuelve más distribuido por naturaleza, tf.data ha evolucionado para tener más en cuenta la distribución y el rendimiento. Esta charla presenta las herramientas tf.data para escalar el procesamiento de datos de TensorFlow. En particular: el servicio tf.data que permite que su canalización tf.data se ejecute en un grupo de máquinas y tf.data.snapshot que materializa los resultados en el disco para reutilizarlos en varias invocaciones.

Rohan Jain
11:55 Escalamiento de modelos de TensorFlow 2 a GPU para varios trabajadores

Esta charla muestra múltiples mejoras de rendimiento en TensorFlow 2.2 para acelerar y escalar la carga de trabajo de capacitación de ML de los usuarios a múltiples GPU de varios trabajadores. Recorremos las optimizaciones usando una tarea de ajuste fino BERT en el jardín modelo TF, escrito usando un ciclo de entrenamiento personalizado.

zongwei zhou
12:10 Aprovechar al máximo Colaboración

Aprende consejos y trucos del equipo de Colab. Esta charla describe cómo los usuarios de TensorFlow aprovechan al máximo Colab y se asoma tras bambalinas para ver cómo funciona Colab.

timoteo novikoff
12:15 TensorFlow y aprendizaje automático desde las trincheras: el centro de experiencia de innovación en el laboratorio de propulsión a chorro

Chris Mattmann explicará cómo el Centro de Experiencia de Innovación de JPL en la Oficina del Director de Información admite análisis avanzados, inteligencia artificial y aprendizaje automático utilizando TensorFlow para Smarter Rovers, un Smarter Campus y más.

Chris Mattmann, NASA
12:25 Posible bloque de preguntas y respuestas

Aproveche la función LiveChat en la transmisión en vivo, ya que los miembros del equipo de TensorFlow responderán en el chat en tiempo real. Si tenemos tiempo adicional en la transmisión en vivo, responderemos algunas preguntas en vivo.

Ponentes desde el descanso en adelante
12:35 Romper
13:40 MLIR: aceleración de TF con compiladores

Esta charla describirá MLIR: la infraestructura del compilador de aprendizaje automático para TensorFlow y explicará cómo ayuda a TensorFlow a escalar más rápido para satisfacer las necesidades del software y hardware de aprendizaje automático en rápida evolución.

jacques pienaar
13:50 TFRT: un nuevo tiempo de ejecución de TensorFlow

TFRT es un nuevo tiempo de ejecución para TensorFlow. Aprovechando MLIR, su objetivo es proporcionar una capa de infraestructura unificada y extensible con el mejor rendimiento de su clase en una amplia variedad de hardware específico de dominio. Este enfoque proporciona un uso eficiente de las CPU de host multiproceso, admite modelos de programación completamente asincrónicos y se centra en la eficiencia de bajo nivel.

Mingsheng Hong
2:00 PM TFX: Production ML con TensorFlow en 2020

Descubra cómo la plataforma de aprendizaje automático de producción de Google, TFX, está cambiando en 2020.

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Producción de TensorFlow con Google Cloud

TensorFlow Enterprise hace que sus aplicaciones de TensorFlow estén listas para la empresa, con una serie de mejoras para TensorFlow en Google Cloud. Desbloquea datos y modelos a escala de la nube, al tiempo que simplifica el desarrollo de aplicaciones de ML críticas para el negocio desde el prototipo hasta la producción. Juntos, resolvemos la parte más difícil del aprendizaje automático empresarial en producción.

makoto uchida
14:35 TensorFlow Lite: ML para dispositivos móviles e IoT

Obtenga información sobre cómo implementar ML en teléfonos móviles y dispositivos integrados. Ahora implementado en miles de millones de dispositivos en producción, es el mejor marco de aprendizaje automático multiplataforma del mundo para dispositivos móviles y microcontroladores. Sintonice nuestros nuevos anuncios emocionantes.

tim davis

TJ Alumbaugh
14:55 Jacquard: incrustar ML sin problemas en objetos cotidianos

Jacquard es una plataforma informática ambiental impulsada por ML que toma objetos comunes y familiares y los mejora con nuevas habilidades y experiencias digitales, sin dejar de ser fiel a su propósito original. Describiremos cómo hemos entrenado e implementado modelos de aprendizaje automático con recursos limitados que se integran sin problemas en prendas y accesorios cotidianos; como tu chaqueta favorita, mochila o un par de zapatos que te encanta usar.

Nicolás Gillian
15:05 TensorFlow.js: aprendizaje automático para la web y más allá

TensorFlow.js es una plataforma para entrenar e implementar modelos de aprendizaje automático en navegadores o en cualquier lugar donde se pueda ejecutar Javascript, como dispositivos móviles, la plataforma de miniaplicaciones WeChat y Raspberry Pi. Proporciona varios back-end, incluidos un back-end de CPU, GPU, nodo y WASM. También proporciona una colección de modelos preentrenados, incluidas las dos incorporaciones más recientes: MobileBERT y FaceMesh.

na li
15:15 Posible bloque de preguntas y respuestas

Aproveche la función LiveChat en la transmisión en vivo, ya que los miembros del equipo de TensorFlow responderán en el chat en tiempo real. Si tenemos tiempo adicional en la transmisión en vivo, responderemos algunas preguntas en vivo.

Ponentes desde el descanso en adelante
15:25 Romper
15:45 Involucrarse en la comunidad TF

Aprenda cómo puede ser parte del creciente ecosistema de TensorFlow y conviértase en un colaborador a través del código, la documentación, la educación o el liderazgo comunitario.

joana carraqueira
15:55 IA responsable con TensorFlow: equidad y privacidad

Presentamos un marco para pensar en ML, equidad y privacidad. Esta charla propondrá un flujo de trabajo de aprendizaje automático consciente de la equidad, ilustrará cómo las herramientas de TensorFlow, como los indicadores de equidad, se pueden usar para detectar y mitigar el sesgo, y luego pasará a un estudio de caso específico sobre privacidad que guiará a los participantes a través de un par de piezas de infraestructura. que puede ayudar a entrenar un modelo de una manera que preserve la privacidad.

catalina xu

miguel guevara
16:20 TensorFlow Quantum: una plataforma de software para el aprendizaje automático híbrido cuántico-clásico

Presentamos TensorFlow Quantum, una biblioteca de código abierto para la creación rápida de prototipos de nuevos algoritmos híbridos de aprendizaje automático cuántico-clásico. Esta biblioteca ampliará el alcance del ML actual bajo TensorFlow y proporciona la caja de herramientas necesaria para reunir a las comunidades de investigación de computación cuántica y aprendizaje automático para controlar y modelar datos cuánticos.

Masud Mohseni
16:45 Anuncios de cierre