با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

دستور کار 2020

نشست توسعه دهندگان TensorFlow 2020 در 11 مارس 2020 پخش زنده یک روزه خواهد بود.
همه زمان‌ها به وقت تابستانی اقیانوس آرام (UTC-07:00) است.

توجه داشته باشید که زمان واقعی ممکن است 5± دقیقه متفاوت باشد. گفتگوهای تکمیلی در روزهای پس از رویداد در کانال YouTube TensorFlow ارسال خواهد شد.
09:00 پخش زنده شروع می شود
9.30 صبح کلیدی مگان کچولیا

کمال المجاهد

مناسی جوشی
9:55 صبح آموزش خواندن با TensorFlow و Keras

پردازش زبان طبیعی (NLP) به نقطه عطف رسیده است، و این بحث به شما نشان می‌دهد که چگونه TensorFlow و Keras پیش پردازش، آموزش، و مدل‌های متنی را آسان می‌کنند.

پیج بیلی
ساعت 10:15 صبح TensorFlow Hub: آسان کردن کشف مدل

TF Hub مخزن اصلی مدل های ML است. این سخنرانی به تمام ویژگی‌های جدید و اینکه چگونه می‌توانند سفر کشف مدل شما را بهتر کنند، بررسی می‌شود.

ساندیپ گوپتا
10:25 صبح ML مشارکتی با TensorBoard.dev

به اشتراک گذاری نتایج آزمایش بخش مهمی از فرآیند ML است. این گفتگو نشان می‌دهد که چگونه TensorBoard.dev می‌تواند ML مشارکتی را با سهولت اشتراک‌گذاری نتایج آزمایش در مقاله، پست وبلاگ، رسانه‌های اجتماعی و موارد دیگر فعال کند.

گال عشری
10:30 قبل از ظهر انتقال Kagglers به ​​TPU با TF 2.x

اخیراً Kaggle پشتیبانی TPU را از طریق پلتفرم رقابتی خود معرفی کرده است. این گفتگو به چگونگی انتقال رقبای Kaggler از GPU به TPU، ابتدا در Colab و سپس در نوت بوک های Kaggle می پردازد.

جولیا الیوت
10:35 صبح پروفایل عملکرد در TF 2

این گفتگو نمایه‌سازی را ارائه می‌کند که Google به صورت داخلی از آن برای بررسی عملکرد TF در پلتفرم‌هایی از جمله GPU، TPU و CPU استفاده می‌کند.

کیومین خو
10:45 صبح بلوک پرسش و پاسخ بالقوه

لطفاً از ویژگی LiveChat در پخش زنده استفاده کنید زیرا ما اعضای تیم TensorFlow را خواهیم داشت که در زمان واقعی در چت پاسخ دهند. اگر زمان بیشتری در پخش زنده داشته باشیم، به چند سوال به صورت زنده پاسخ خواهیم داد.

همه بلندگوها تا الان
10:55 صبح زنگ تفريح
ساعت 11:20 صبح تحقیق با TensorFlow

در این گفتار به برخی از ویژگی های جالب TF می پردازیم که هنگام انجام تحقیق مفید هستند.

الکساندر پاسوس
ساعت 11:35 صبح لایه های بهینه سازی محدب متمایز

مسائل بهینه سازی محدب برای حل بسیاری از مسائل در دنیای واقعی استفاده می شود. تا به حال، استفاده از آنها در خطوط لوله تنسورفلو دشوار بوده است. این گفتگو لایه‌های cvxpy را ارائه می‌کند، بسته‌ای که تعبیه مسائل بهینه‌سازی محدب را در TensorFlow آسان می‌کند و به شما امکان می‌دهد آنها را با استفاده از گرادیان نزول تنظیم کنید.

آکشای آگراوال، دانشگاه استنفورد
ساعت 11:40 صبح مقیاس‌بندی پردازش داده‌های Tensorflow با tf.data

همانطور که آموزش مدل در طبیعت توزیع می شود، tf.data به گونه ای تکامل یافته است که توزیع آگاه تر و کارآمدتر است. این گفتگو ابزارهای tf.data را برای مقیاس‌بندی پردازش داده‌های TensorFlow ارائه می‌کند. به‌ویژه: سرویس tf.data که به خط لوله tf.data شما اجازه می‌دهد روی مجموعه‌ای از ماشین‌ها اجرا شود، و tf.data.snapshot که نتایج را برای استفاده مجدد در چندین فراخوان در دیسک اجرا می‌کند.

روهان جین
11:55 صبح مقیاس‌بندی مدل‌های TensorFlow 2 به پردازنده‌های گرافیکی چندکاره

این گفتگو چندین بهبود عملکرد را در TensorFlow 2.2 به نمایش می‌گذارد تا حجم کار آموزش ML کاربران را به پردازنده‌های گرافیکی چندکاره تسریع و مقیاس کند. ما با استفاده از یک کار تنظیم دقیق BERT در باغ مدل TF، که با استفاده از یک حلقه آموزشی سفارشی نوشته شده است، بهینه سازی ها را طی می کنیم.

زونگوی ژو
12:10 بعد از ظهر استفاده حداکثری از کولب

نکات و ترفندهایی را از تیم کولب بیاموزید. این سخنرانی توضیح می‌دهد که چگونه کاربران TensorFlow از Colab بیشترین استفاده را می‌کنند و به پشت پرده نگاه می‌کنند تا ببینند Colab چگونه کار می‌کند.

تیموتی نوویکوف
12:15 بعد از ظهر TensorFlow و یادگیری ماشین از سنگرها: مرکز تجربه نوآوری در آزمایشگاه رانش جت

کریس متمن توضیح خواهد داد که چگونه مرکز تجربه نوآوری JPL در دفتر مدیر ارشد اطلاعات از تجزیه و تحلیل پیشرفته، هوش مصنوعی و یادگیری ماشینی با استفاده از TensorFlow برای مریخ نوردهای هوشمندتر، یک پردیس هوشمندتر و فراتر از آن پشتیبانی می کند!

کریس متمن، ناسا
12:25 بعد از ظهر بلوک پرسش و پاسخ بالقوه

لطفاً از ویژگی LiveChat در پخش زنده استفاده کنید زیرا ما اعضای تیم TensorFlow را خواهیم داشت که در زمان واقعی در چت پاسخ دهند. اگر زمان بیشتری در پخش زنده داشته باشیم، به چند سوال به صورت زنده پاسخ خواهیم داد.

سخنرانان از استراحت به بعد
12:35 بعد از ظهر زنگ تفريح
ساعت 1:40 بعد از ظهر MLIR: تسریع TF با کامپایلر

این گفتار MLIR - زیرساخت کامپایلر یادگیری ماشین برای TensorFlow را توضیح می‌دهد و توضیح می‌دهد که چگونه به TensorFlow کمک می‌کند تا مقیاس سریع‌تر را برای برآوردن نیازهای نرم‌افزار و سخت‌افزار یادگیری ماشینی در حال تکامل سریع‌تر انجام دهد.

ژاک پینار
ساعت 1:50 بعد از ظهر TFRT: زمان اجرای جدید TensorFlow

TFRT یک زمان اجرا جدید برای TensorFlow است. با استفاده از MLIR، هدف آن ارائه یک لایه زیرساختی یکپارچه و قابل توسعه با بهترین عملکرد در کلاس در طیف گسترده ای از سخت افزارهای خاص دامنه است. این رویکرد استفاده موثر از CPU های میزبان چند رشته ای را فراهم می کند، از مدل های برنامه نویسی کاملا ناهمزمان پشتیبانی می کند و بر کارایی سطح پایین متمرکز است.

مینگشنگ هنگ
2:00 بعد از ظهر TFX: تولید ML با TensorFlow در سال 2020

بیاموزید که چگونه پلتفرم ML تولید Google، TFX، در سال 2020 تغییر می کند.

تریس وارکنتین

ژیتائو لی
ساعت 2:25 بعد از ظهر TensorFlow Enterprise: تولید TensorFlow با Google Cloud

TensorFlow Enterprise با تعدادی از پیشرفت‌های TensorFlow در Google Cloud، برنامه‌های TensorFlow شما را آماده می‌کند. این داده‌ها و مدل‌های مقیاس ابر را باز می‌کند، در حالی که توسعه برنامه‌های کاربردی ML حیاتی تجاری را از نمونه اولیه تا تولید ساده می‌کند. ما با هم سخت ترین بخش ML سازمانی را در تولید حل می کنیم.

ماکوتو اوچیدا
2:35 بعد از ظهر TensorFlow Lite: ML برای دستگاه های موبایل و اینترنت اشیا

با نحوه استقرار ML در تلفن های همراه و دستگاه های جاسازی شده آشنا شوید. اکنون بر روی میلیاردها دستگاه در حال تولید مستقر شده است - این بهترین چارچوب ML بین پلتفرمی در جهان برای موبایل و میکروکنترلرها است. منتظر اعلان های جدید و هیجان انگیز ما باشید.

تیم دیویس

تی جی آلومباو
2:55 بعد از ظهر ژاکارد: تعبیه یکپارچه ML در اشیاء روزمره

Jacquard یک پلت فرم محاسبات محیطی مبتنی بر ML است که اشیاء معمولی و آشنا را می گیرد و آنها را با توانایی ها و تجربیات دیجیتال جدید تقویت می کند، در حالی که به هدف اصلی خود وفادار می ماند. ما توضیح خواهیم داد که چگونه مدل‌های یادگیری ماشینی با محدودیت منابع را آموزش داده و به کار گرفته‌ایم که به طور یکپارچه در لباس‌ها و لوازم جانبی روزمره جاسازی می‌شوند. مانند ژاکت، کوله پشتی یا یک جفت کفش مورد علاقه تان که دوست دارید بپوشید.

نیکلاس گیلیان
3:05 بعد از ظهر TensorFlow.js: یادگیری ماشینی برای وب و فراتر از آن

TensorFlow.js یک پلتفرم برای آموزش و استقرار مدل‌های یادگیری ماشینی در مرورگرها یا هر جایی که جاوا اسکریپت می‌تواند اجرا شود، مانند دستگاه‌های تلفن همراه، پلتفرم برنامه کوتاه WeChat و Raspberry Pi است. چندین بک اند از جمله CPU، GPU، Node و WASM ارائه می دهد. همچنین مجموعه‌ای از مدل‌های از پیش آموزش دیده را ارائه می‌کند، از جمله دو جدیدترین افزوده شده: MobileBERT و FaceMesh.

نا لی
3:15 بعد از ظهر بلوک پرسش و پاسخ بالقوه

لطفاً از ویژگی LiveChat در پخش زنده استفاده کنید زیرا ما اعضای تیم TensorFlow را خواهیم داشت که در زمان واقعی در چت پاسخ دهند. اگر زمان بیشتری در پخش زنده داشته باشیم، به چند سوال به صورت زنده پاسخ خواهیم داد.

سخنرانان از استراحت به بعد
3:25 بعد از ظهر زنگ تفريح
3:45 بعد از ظهر درگیر شدن در جامعه TF

بیاموزید که چگونه می توانید بخشی از اکوسیستم در حال رشد TensorFlow باشید و از طریق کد، اسناد، آموزش یا رهبری جامعه به مشارکت کننده تبدیل شوید.

جوآنا کاراکیرا
3:55 بعد از ظهر هوش مصنوعی مسئول با TensorFlow: انصاف و حریم خصوصی

معرفی چارچوبی برای تفکر در مورد ML، عدالت و حریم خصوصی. این سخنرانی یک گردش کار ML آگاه از انصاف را پیشنهاد می‌کند، نشان می‌دهد که چگونه می‌توان از ابزارهای TensorFlow مانند Fairness Indicators برای شناسایی و کاهش تعصب استفاده کرد، و سپس به یک مطالعه موردی خاص در رابطه با حریم خصوصی منتقل می‌شود که شرکت‌کنندگان را در چند زیرساخت راهنمایی می‌کند. که می تواند به آموزش یک مدل به شیوه ای حفظ حریم خصوصی کمک کند.

کاترینا شو

میگل گوارا
ساعت 4:20 بعد از ظهر TensorFlow Quantum: بستر نرم افزاری برای یادگیری ماشین کلاسیک کوانتومی ترکیبی

ما TensorFlow Quantum را معرفی می‌کنیم، یک کتابخانه منبع باز برای نمونه‌سازی سریع الگوریتم‌های ترکیبی کوانتومی-کلاسیک ML. این کتابخانه دامنه ML فعلی را تحت TensorFlow گسترش می دهد و جعبه ابزار لازم را برای گردآوری جوامع تحقیقاتی محاسبات کوانتومی و یادگیری ماشین برای کنترل و مدل سازی داده های کوانتومی فراهم می کند.

مسعود محسنی
ساعت 4:45 بعد از ظهر اطلاعیه های پایانی