Оптимизируйте свои подборки Сохраняйте и классифицируйте контент в соответствии со своими настройками.

Повестка дня на 2020 год

Саммит разработчиков TensorFlow 2020 будет однодневной прямой трансляцией 11 марта 2020 года.
Все время указано по тихоокеанскому летнему времени (UTC-07:00).

Обратите внимание, что фактическое время может отличаться на ±5 минут. Дополнительные выступления будут размещены на канале TensorFlow на YouTube через несколько дней после мероприятия.
9:00 УТРА Прямая трансляция начинается
9:30 утра Основной доклад Меган Качолия

Кемаль Эль Муджахид

Манаси Джоши
9:55 утра Учимся читать с TensorFlow и Keras

Обработка естественного языка (NLP) достигла переломного момента, и в этом докладе показано, как TensorFlow и Keras упрощают предварительную обработку, обучение и гипернастройку текстовых моделей.

Пейдж Бейли
10:15 TensorFlow Hub: упрощение обнаружения моделей

TF Hub — это основной репозиторий моделей машинного обучения. В этом докладе рассматриваются все новые функции и то, как они могут сделать ваше исследование модели еще лучше.

Сандип Гупта
10:25 Совместное машинное обучение с TensorBoard.dev

Обмен результатами экспериментов — важная часть процесса машинного обучения. В этом докладе показано, как TensorBoard.dev может обеспечить совместное машинное обучение, упрощая обмен результатами экспериментов в вашей статье, блоге, социальных сетях и т. д.

Гал Ошри
10:30 Переход Kagglers на TPU с TF 2.x

Недавно Kaggle представила поддержку TPU через свою платформу для соревнований. В этом докладе речь пойдет о том, как конкуренты Kaggler перешли с GPU на TPU, сначала в Colab, а затем в ноутбуках Kaggle.

Джулия Эллиотт
10:35 Профилирование производительности в TF 2

В этом докладе представлен профайлер, который Google использует внутри компании для исследования производительности TF на платформах, включая GPU, TPU и CPU.

Цюмин Сюй
10:45 Возможный блок вопросов и ответов

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

Все выступающие на данный момент
10:55 Ломать
11:20 Исследования с TensorFlow

В этом докладе мы рассмотрим некоторые интересные особенности TF, которые будут полезны при проведении исследований.

Александр Пассос
11:35 Дифференцируемые выпуклые слои оптимизации

Выпуклые задачи оптимизации используются для решения многих задач в реальном мире. До сих пор было сложно использовать их в пайплайнах TensorFlow. В этом докладе представлен пакет cvxpylayers, который упрощает встраивание задач выпуклой оптимизации в TensorFlow, позволяя настраивать их с помощью градиентного спуска.

Акшай Агравал, Стэнфордский университет
11:40 Масштабирование обработки данных Tensorflow с помощью tf.data

По мере того, как обучение модели становится более распределенным по своей природе, tf.data эволюционировал, чтобы быть более осведомленным о распределении и более производительным. В этом докладе представлены инструменты tf.data для масштабирования обработки данных TensorFlow. В частности: сервис tf.data, который позволяет вашему конвейеру tf.data работать на кластере машин, и tf.data.snapshot, который материализует результаты на диск для повторного использования при нескольких вызовах.

Рохан Джейн
11:55 Масштабирование моделей TensorFlow 2 для многоцелевых графических процессоров

В этом докладе демонстрируются многочисленные улучшения производительности в TensorFlow 2.2, позволяющие ускорить и масштабировать рабочую нагрузку пользователей по обучению машинному обучению на несколько рабочих процессоров с несколькими графическими процессорами. Мы проходим оптимизацию, используя задачу тонкой настройки BERT в саду модели TF, написанную с использованием пользовательского цикла обучения.

Цзунвэй Чжоу
12:10 Максимально эффективное использование Colab

Изучите советы и рекомендации от команды Colab. В этом докладе описывается, как пользователи TensorFlow максимально эффективно используют Colab, и заглядывает за кулисы, чтобы увидеть, как работает Colab.

Тимоти Новикофф
12:15 TensorFlow и машинное обучение из окопов: Центр инновационного опыта в Лаборатории реактивного движения

Крис Маттманн объяснит, как Центр инновационного опыта JPL в офисе директора по информационным технологиям поддерживает расширенную аналитику, искусственный интеллект и машинное обучение с использованием TensorFlow для более умных вездеходов, более умного кампуса и не только!

Крис Мэттманн, НАСА
12:25 Возможный блок вопросов и ответов

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

Спикеры с перерыва и далее
12:35 Ломать
13:40 MLIR: Ускорение TF с помощью компиляторов

В этом докладе будет рассказано о MLIR — инфраструктуре компилятора машинного обучения для TensorFlow и объяснено, как она помогает TensorFlow быстрее масштабироваться для удовлетворения потребностей быстро развивающегося программного и аппаратного обеспечения машинного обучения.

Жак Пиенаар
13:50 TFRT: новая среда выполнения TensorFlow

TFRT — это новая среда выполнения для TensorFlow. Используя MLIR, он стремится обеспечить унифицированный, расширяемый уровень инфраструктуры с лучшей в своем классе производительностью для широкого спектра специфичного для предметной области оборудования. Этот подход обеспечивает эффективное использование многопоточных центральных процессоров хоста, поддерживает полностью асинхронные модели программирования и ориентирован на низкоуровневую эффективность.

Миншэн Хонг
14:00 TFX: производственное машинное обучение с TensorFlow в 2020 году

Узнайте, как производственная платформа машинного обучения Google, TFX, изменится в 2020 году.

Трис Варкентин

Читао Ли
14:25 TensorFlow Enterprise: производство TensorFlow с помощью Google Cloud

TensorFlow Enterprise делает ваши приложения TensorFlow готовыми к использованию на предприятии благодаря ряду улучшений TensorFlow в Google Cloud. Он открывает доступ к данным и моделям в масштабе облака, упрощая при этом разработку критически важных для бизнеса приложений машинного обучения от прототипа до производства. Вместе мы решаем самую сложную часть корпоративного машинного обучения в производстве.

Макото Учида
14:35 TensorFlow Lite: машинное обучение для мобильных устройств и устройств Интернета вещей

Узнайте, как развернуть машинное обучение на мобильных телефонах и встроенных устройствах. Теперь это лучшая в мире кроссплатформенная среда машинного обучения для мобильных устройств и микроконтроллеров, развернутая на миллиардах устройств в производственной среде. Следите за нашими новыми интересными объявлениями.

Тим Дэвис

Ти Джей Аламбо
14:55 Жаккард: плавное встраивание машинного обучения в повседневные объекты

Jacquard — это платформа фоновых вычислений на основе машинного обучения, которая берет обычные, знакомые объекты и дополняет их новыми цифровыми возможностями и опытом, оставаясь при этом верной своей первоначальной цели. Мы опишем, как мы обучили и развернули модели машинного обучения с ограниченными ресурсами, которые легко встраиваются в повседневную одежду и аксессуары; например, ваша любимая куртка, рюкзак или пара обуви, которую вы любите носить.

Николас Джиллиан
15:05 TensorFlow.js: машинное обучение для Интернета и не только

TensorFlow.js — это платформа для обучения и развертывания моделей машинного обучения в браузерах или везде, где может работать Javascript, например на мобильных устройствах, платформе мини-приложений WeChat и Raspberry Pi. Он предоставляет несколько серверных частей, включая ЦП, ГП, узел и серверную часть WASM. Он также предоставляет набор предварительно обученных моделей, включая два новейших дополнения: MobileBERT и FaceMesh.

На Ли
15:15 Возможный блок вопросов и ответов

Пожалуйста, используйте функцию LiveChat в прямом эфире, так как члены команды TensorFlow будут отвечать в чате в режиме реального времени. Если у нас будет дополнительное время в прямом эфире, мы ответим на несколько вопросов в прямом эфире.

Спикеры с перерыва и далее
15:25 Ломать
15:45 Участие в сообществе TF

Узнайте, как вы можете стать частью растущей экосистемы TensorFlow и внести свой вклад с помощью кода, документации, образования или лидерства в сообществе.

Жоана Карракейра
15:55 Ответственный искусственный интеллект с TensorFlow: справедливость и конфиденциальность

Представляем основу для размышлений об машинном обучении, честности и конфиденциальности. В этом выступлении будет предложен рабочий процесс машинного обучения с учетом справедливости, показано, как инструменты TensorFlow, такие как индикаторы справедливости, могут использоваться для обнаружения и смягчения предвзятости, а затем перейдет к конкретному тематическому исследованию конфиденциальности, которое проведет участников через пару элементов инфраструктуры. это может помочь обучить модель с сохранением конфиденциальности.

Катерина Сюй

Мигель Гевара
16:20 TensorFlow Quantum: программная платформа для гибридного квантово-классического машинного обучения

Мы представляем TensorFlow Quantum, библиотеку с открытым исходным кодом для быстрого прототипирования новых гибридных квантово-классических алгоритмов машинного обучения. Эта библиотека расширит возможности текущего машинного обучения в рамках TensorFlow и предоставит необходимый набор инструментов для объединения сообществ исследователей квантовых вычислений и машинного обучения для управления и моделирования квантовых данных.

Масуд Мохсени
16:45 Закрытие объявлений