Agenda 2020

TensorFlow Dev Summit 2020 akan menjadi live streaming satu hari pada tanggal 11 Maret 2020.
Semua waktu adalah Waktu Musim Panas Pasifik (UTC-07: 00).

Perhatikan bahwa waktu sebenarnya dapat bervariasi ± 5 menit. Pembicaraan tambahan akan diposting ke Saluran YouTube TensorFlow beberapa hari setelah acara.
9:00 PAGI Livestream dimulai
9:30 PAGI Keynote Megan Kacholia

Kemal El Moujahid

Manasi Joshi
09.55 Belajar Membaca dengan TensorFlow dan Keras

Pemrosesan Bahasa Alami (NLP) telah mencapai titik belok, dan pembicaraan ini menunjukkan kepada Anda bagaimana TensorFlow dan Keras memudahkan praproses, melatih, dan meningkatkan model teks.

Paige Bailey
10.15 TensorFlow Hub: Memudahkan Penemuan Model

TF Hub adalah repositori utama untuk model ML. Pembicaraan ini membahas semua fitur baru dan bagaimana mereka dapat membuat perjalanan penemuan model Anda menjadi lebih baik.

Sandeep Gupta
10.25 ML kolaboratif dengan TensorBoard.dev

Berbagi hasil eksperimen adalah bagian penting dari proses ML. Pembicaraan ini menunjukkan bagaimana TensorBoard.dev dapat mengaktifkan ML kolaboratif dengan mempermudah berbagi hasil eksperimen di makalah, entri blog, media sosial, dan lainnya.

Gal Oshri
10:30 PAGI Transisi Kagglers ke TPU dengan TF 2.x

Baru-baru ini, Kaggle memperkenalkan dukungan TPU melalui platform kompetisinya. Pembicaraan ini menyentuh tentang bagaimana pesaing Kaggler beralih dari penggunaan GPU ke TPU, pertama di Colab, dan kemudian di notebook Kaggle.

Julia Elliott
10.35 Profil Kinerja di TF 2

Pembicaraan ini menyajikan profiler yang digunakan Google secara internal untuk menyelidiki performa TF pada platform termasuk GPU, TPU, dan CPU.

Qiumin Xu
10.45 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara waktu nyata. Jika kami memiliki waktu tambahan dalam streaming langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Semua pembicara sejauh ini
10:55 Istirahat
11:20 Riset dengan TensorFlow

Dalam pembicaraan ini kita akan membahas beberapa fitur menarik dari TF yang berguna saat melakukan penelitian.

Alexandre Passos
11:35 Lapisan Pengoptimalan Cembung yang Dapat Dibedakan

Masalah pengoptimalan konveks digunakan untuk menyelesaikan banyak masalah di dunia nyata. Hingga saat ini, sulit untuk menggunakannya di pipeline TensorFlow. Pembicaraan ini menghadirkan cvxpylayers, sebuah paket yang memudahkan untuk menyematkan masalah pengoptimalan cembung ke TensorFlow, memungkinkan Anda menyesuaikannya menggunakan penurunan gradien.

Akshay Agrawal, Universitas Stanford
11:40 Scaling Tensorflow Data Processing dengan tf.data

Saat pelatihan model menjadi lebih terdistribusi, tf.data telah berkembang menjadi lebih sadar dan berkinerja distribusi. Pembicaraan ini menyajikan fitur tf.data untuk menskalakan pemrosesan data TensorFlow. Khususnya: layanan tf.data yang memungkinkan pipeline tf.data Anda berjalan di sekumpulan mesin, dan tf.data.snapshot yang mewujudkan hasil ke disk untuk digunakan kembali di beberapa pemanggilan.

Rohan Jain
11:55 Menskalakan Model TensorFlow 2 ke GPU Multi-Pekerja

Pembicaraan ini menampilkan beberapa peningkatan performa di TensorFlow 2.2 untuk mempercepat dan menskalakan beban kerja pelatihan ML pengguna ke multi-worker multi-GPU. Kami berjalan melalui pengoptimalan menggunakan tugas fine-tuning BERT di taman model TF, yang ditulis menggunakan loop pelatihan khusus.

Zongwei Zhou
12.10 Memanfaatkan Colab Secara Maksimal

Pelajari tip dan trik dari tim Colab. Pembicaraan ini menjelaskan cara pengguna TensorFlow memanfaatkan Colab secara maksimal, dan mengintip di balik layar untuk melihat cara kerja Colab.

Timothy Novikoff
12.15 TensorFlow dan Machine Learning dari Parit: Pusat Pengalaman Inovasi di Jet Propulsion Laboratory

Chris Mattmann akan menjelaskan bagaimana Pusat Pengalaman Inovasi JPL di Kantor Chief Information Officer mendukung analitik tingkat lanjut, AI, dan Pembelajaran Mesin menggunakan TensorFlow untuk Smarter Rovers, Kampus yang Lebih Cerdas, dan seterusnya!

Chris Mattmann, NASA
12.25 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara waktu nyata. Jika kami memiliki waktu tambahan dalam streaming langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pembicara mulai dari istirahat dan seterusnya
12.35 Istirahat
13.40 MLIR: Mempercepat TF dengan Compiler

Pembicaraan ini akan menjelaskan MLIR - infrastruktur compiler machine learning untuk TensorFlow dan menjelaskan cara membantu TensorFlow melakukan penskalaan lebih cepat untuk memenuhi kebutuhan software dan hardware machine learning yang berkembang pesat.

Jacques Pienaar
13.50 TFRT: Waktu Proses TensorFlow Baru

TFRT adalah runtime baru untuk TensorFlow. Memanfaatkan MLIR, ini bertujuan untuk menyediakan lapisan infrastruktur yang terpadu dan dapat diperluas dengan kinerja terbaik di kelasnya di berbagai perangkat keras khusus domain. Pendekatan ini menyediakan penggunaan CPU host multithread yang efisien, mendukung model pemrograman asinkron sepenuhnya, dan difokuskan pada efisiensi tingkat rendah.

Mingsheng Hong
JAM 2 SIANG TFX: ML Produksi dengan TensorFlow pada tahun 2020

Pelajari bagaimana platform ML produksi Google, TFX, berubah pada tahun 2020.

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Memproduksi TensorFlow dengan Google Cloud

TensorFlow Enterprise membuat aplikasi TensorFlow Anda siap digunakan untuk perusahaan, dengan sejumlah penyempurnaan pada TensorFlow di Google Cloud. Ini membuka data dan model skala Cloud, sambil menyederhanakan pengembangan aplikasi ML yang penting bagi bisnis dari prototipe hingga produksi. Bersama-sama, kita menyelesaikan bagian tersulit dari ML perusahaan dalam produksi.

Makoto Uchida
14:35 TensorFlow Lite: ML untuk Perangkat Seluler dan IoT

Pelajari tentang cara menerapkan ML ke ponsel dan perangkat yang disematkan. Sekarang diterapkan pada miliaran perangkat dalam produksi - ini adalah kerangka kerja ML lintas platform terbaik di dunia untuk seluler dan mikrokontroler. Saksikan pengumuman baru kami yang menarik.

Tim Davis

TJ Alumbaugh
14.55 Jacquard: Menanamkan ML dengan Mulus ke Objek Sehari-hari

Jacquard adalah platform komputasi ambien bertenaga ML yang mengambil objek biasa dan familier serta menyempurnakannya dengan kemampuan dan pengalaman digital baru, sambil tetap setia pada tujuan aslinya. Kami akan menjelaskan cara kami melatih dan menerapkan model pembelajaran mesin dengan sumber daya terbatas yang dapat disematkan dengan mulus ke dalam pakaian dan aksesori sehari-hari; seperti jaket favorit Anda, tas punggung, atau sepasang sepatu yang Anda suka pakai.

Nicholas Gillian
15:05 TensorFlow.js: Machine Learning untuk Web dan Selebihnya

TensorFlow.js adalah platform untuk melatih dan menerapkan model pembelajaran mesin di browser, atau di mana pun Javascript dapat berjalan, seperti perangkat seluler, platform aplikasi mini WeChat, dan Raspberry Pi. Ini menyediakan beberapa ujung belakang, termasuk ujung belakang CPU, GPU, Node, dan WASM. Ini juga menyediakan koleksi model yang dilatih sebelumnya, termasuk dua tambahan terbaru: MobileBERT dan FaceMesh.

Na Li
15:15 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara waktu nyata. Jika kami memiliki waktu tambahan dalam streaming langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pembicara mulai dari istirahat dan seterusnya
15:25 Istirahat
15:45 Terlibat dalam Komunitas TF

Pelajari bagaimana Anda dapat menjadi bagian dari ekosistem TensorFlow yang sedang berkembang dan menjadi kontributor melalui kode, dokumentasi, pendidikan, atau kepemimpinan komunitas.

Joana Carraqueira
15:55 AI yang bertanggung jawab dengan TensorFlow: Keadilan dan Privasi

Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi. Pembicaraan ini akan mengusulkan alur kerja ML yang sadar keadilan, yang menggambarkan bagaimana alat TensorFlow seperti Indikator Kewajaran dapat digunakan untuk mendeteksi dan mengurangi bias, dan kemudian akan beralih ke studi kasus tertentu terkait privasi yang akan memandu peserta melalui beberapa bagian infrastruktur yang dapat membantu melatih model dengan cara menjaga privasi.

Catherina Xu

Miguel Guevara
16:20 TensorFlow Quantum: Platform Software untuk Hybrid Quantum-Classical Machine Learning

Kami memperkenalkan TensorFlow Quantum, library open-source untuk pembuatan prototipe cepat algoritme hybrid kuantum-klasik baru. Library ini akan memperluas cakupan ML saat ini di bawah TensorFlow dan menyediakan kotak alat yang diperlukan untuk menyatukan komputasi kuantum dan komunitas penelitian machine learning untuk mengontrol dan memodelkan data kuantum.

Masoud Mohseni
16:45 Pengumuman penutup