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.

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.

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.

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.

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.

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.

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

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.

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.

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.

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.

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!

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.

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.

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.

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

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.

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.

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.

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.

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.

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.

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.

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.