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.

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.

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.

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.

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

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.

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

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.

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.

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.

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.

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!

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.

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.

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.

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

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.

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.

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.

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.

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.

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

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.

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.