Ta strona została przetłumaczona przez Cloud Translation API.
Switch to English

Agenda 2020

The 2020 TensorFlow Dev Summit will be a one-day livestream on March 11th, 2020.
All times are Pacific Daylight Time (UTC-07:00).

Note that actual times may vary ±5 minutes. Additional talks will be posted to the TensorFlow YouTube Channel in the days after the event.
09:00 Rozpoczyna się transmisja na żywo
9:30 RANO Myśl przewodnia Megan Kacholia

Kemal El Moujahid

Manasi Joshi
9:55 Nauka czytania z TensorFlow i Keras

Przetwarzanie języka naturalnego (NLP) osiągnęło punkt zwrotny, a ten wykład pokazuje, w jaki sposób TensorFlow i Keras ułatwiają wstępne przetwarzanie, trenowanie i hiperstrojenie modeli tekstowych.

Paige Bailey
10:15 TensorFlow Hub: ułatwianie odkrywania modeli

TF Hub to główne repozytorium modeli ML. W tym wykładzie przyjrzymy się wszystkim nowym funkcjom i tym, jak mogą one uczynić podróż odkrywania modelu jeszcze lepszą.

Sandeep Gupta
10:25 Współpraca ML z TensorBoard.dev

Udostępnianie wyników eksperymentu jest ważną częścią procesu ML. Ten wykład pokazuje, jak TensorBoard.dev może umożliwić współpracę ML, ułatwiając udostępnianie wyników eksperymentów w artykule, poście na blogu, w mediach społecznościowych i nie tylko.

Gal Oshri
10:30 RANO Przejście Kagglers do TPU z TF 2.x

Niedawno Kaggle wprowadził obsługę TPU za pośrednictwem swojej platformy konkurencyjnej. Ten wykład dotyczy tego, jak konkurenci Kagglera przeszli z GPU na TPU, najpierw w Colab, a następnie w notebookach Kaggle.

Julia Elliott
10:35 Profilowanie wydajności w TF 2

Ten wykład przedstawia profilera, którego Google używa wewnętrznie do badania wydajności TF na platformach, w tym GPU, TPU i CPU.

Qiumin Xu
10:45 Potencjalny blok pytań i odpowiedzi

Skorzystaj z funkcji LiveChat podczas transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieć więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo.

Wszyscy mówcy do tej pory
10:55 Przerwa
11:20 Badania z TensorFlow

W tym wykładzie omówimy kilka interesujących funkcji TF, które są przydatne podczas prowadzenia badań.

Alexandre Passos
11:35 Różniczkowalne wypukłe warstwy optymalizacyjne

Problemy optymalizacji wypukłej służą do rozwiązywania wielu problemów w świecie rzeczywistym. Do tej pory ich stosowanie w rurociągach TensorFlow było trudne. Ten wykład przedstawia cvxpylayers, pakiet, który ułatwia osadzanie problemów optymalizacji wypukłej w TensorFlow, umożliwiając dostrojenie ich za pomocą gradientu.

Akshay Agrawal, Uniwersytet Stanforda
11:40 Skalowanie przetwarzania danych Tensorflow za pomocą tf.data

W miarę jak trening modelowy staje się bardziej rozproszony, tf.data ewoluował, aby być bardziej świadomym dystrybucji i wydajnym. W tym wykładzie zostaną przedstawione narzędzia tf.data do skalowania przetwarzania danych TensorFlow. W szczególności: usługa tf.data, która umożliwia uruchomienie potoku tf.data w klastrze maszyn oraz tf.data.snapshot, który materializuje wyniki na dysku w celu ponownego wykorzystania w wielu wywołaniach.

Rohan Jain
11:55 Skalowanie modeli TensorFlow 2 do wielozadaniowych procesorów graficznych

W tym wykładzie przedstawiono wiele ulepszeń wydajności w TensorFlow 2.2 w celu przyspieszenia i skalowania obciążenia szkoleniowego ML użytkowników na wielozadaniowe procesory GPU. Przechodzimy przez optymalizacje za pomocą zadania dostrajającego BERT w ogrodzie modelu TF, napisanego przy użyciu niestandardowej pętli treningowej.

Zongwei Zhou
12:10 Jak najlepiej wykorzystać Colab

Poznaj wskazówki i triki od zespołu Colab. W tym wystąpieniu opisano, jak użytkownicy TensorFlow w pełni wykorzystują Colab i zaglądają za kurtynę, aby zobaczyć, jak działa Colab.

Timothy Novikoff
12:15 TensorFlow i uczenie maszynowe z okopów: Centrum innowacji w laboratorium napędu odrzutowego

Chris Mattmann wyjaśni, w jaki sposób Centrum Doświadczeń Innowacji JPL w biurze dyrektora ds. Informacji wspiera zaawansowane analizy, sztuczną inteligencję i uczenie maszynowe przy użyciu TensorFlow dla Smarter Rovers, Smarter Campus i nie tylko!

Chris Mattmann, NASA
12:25 Potencjalny blok pytań i odpowiedzi

Skorzystaj z funkcji LiveChat podczas transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieć więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo.

Głośniki od przerwy
12:35 Przerwa
13:40 MLIR: przyspieszanie TF za pomocą kompilatorów

Podczas wykładu zostanie opisany MLIR - infrastruktura kompilatora uczenia maszynowego dla TensorFlow i wyjaśniono, w jaki sposób pomaga TensorFlow w szybszym skalowaniu, aby sprostać potrzebom szybko rozwijającego się oprogramowania i sprzętu do uczenia maszynowego.

Jacques Pienaar
13:50 TFRT: nowe środowisko wykonawcze TensorFlow

TFRT to nowe środowisko wykonawcze dla TensorFlow. Wykorzystując MLIR, ma na celu zapewnienie ujednoliconej, rozszerzalnej warstwy infrastruktury z najlepszą w swojej klasie wydajnością na szerokiej gamie sprzętu specyficznego dla domeny. Takie podejście zapewnia efektywne wykorzystanie wielowątkowych procesorów hosta, obsługuje w pełni asynchroniczne modele programowania i koncentruje się na wydajności na niskim poziomie.

Mingsheng Hong
14:00 TFX: Production ML z TensorFlow w 2020 roku

Dowiedz się, jak zmieni się produkcyjna platforma Google ML, TFX, w 2020 roku.

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Produkcja TensorFlow za pomocą Google Cloud

TensorFlow Enterprise sprawia, że ​​aplikacje TensorFlow są gotowe do pracy w przedsiębiorstwie, z szeregiem ulepszeń TensorFlow w Google Cloud. Odblokowuje dane i modele w chmurze, jednocześnie upraszczając opracowywanie krytycznych dla biznesu aplikacji ML od prototypu do produkcji. Razem rozwiązujemy najtrudniejszą część korporacyjnego ML w produkcji.

Makoto Uchida
14:35 TensorFlow Lite: ML dla urządzeń mobilnych i IoT

Dowiedz się, jak wdrożyć ML na telefonach komórkowych i urządzeniach wbudowanych. Teraz wdrożony na miliardach urządzeń w produkcji - to najlepsza na świecie wieloplatformowa platforma ML dla urządzeń mobilnych i mikrokontrolerów. Obejrzyj nasze nowe ekscytujące ogłoszenia.

Tim Davis

TJ Alumbaugh
14:55 Jacquard: Bezproblemowe osadzanie ML w obiektach codziennego użytku

Jacquard to platforma obliczeniowa otoczenia oparta na technologii ML, która pobiera zwykłe, znane obiekty i wzbogaca je o nowe cyfrowe możliwości i doświadczenia, pozostając wiernym pierwotnemu celowi. Opiszemy, w jaki sposób wyszkoliliśmy i wdrożyliśmy modele uczenia maszynowego o ograniczonych zasobach, które są płynnie osadzane w codziennych ubraniach i akcesoriach; na przykład ulubioną kurtkę, plecak lub parę butów, które uwielbiasz nosić.

Nicholas Gillian
15:05 TensorFlow.js: uczenie maszynowe dla sieci i nie tylko

TensorFlow.js to platforma do szkolenia i wdrażania modeli uczenia maszynowego w przeglądarkach lub wszędzie tam, gdzie można uruchomić Javascript, na przykład na urządzeniach mobilnych, platformie mini aplikacji WeChat i Raspberry Pi. Zapewnia kilka zaplecza, w tym zaplecze procesora, GPU, węzła i WASM. Udostępnia również kolekcję wstępnie wytrenowanych modeli, w tym dwa najnowsze dodatki: MobileBERT i FaceMesh.

Na Li
15:15 Potencjalny blok pytań i odpowiedzi

Skorzystaj z funkcji LiveChat podczas transmisji na żywo, ponieważ członkowie zespołu TensorFlow będą odpowiadać na czacie w czasie rzeczywistym. Jeśli będziemy mieć więcej czasu na transmisję na żywo, odpowiemy na kilka pytań na żywo.

Głośniki od przerwy
15:25 Przerwa
15:45 Zaangażowanie się w społeczność TF

Dowiedz się, jak możesz stać się częścią rosnącego ekosystemu TensorFlow i stać się współtwórcą poprzez kod, dokumentację, edukację lub przywództwo społeczności.

Joana Carraqueira
15:55 Odpowiedzialna sztuczna inteligencja z TensorFlow: uczciwość i prywatność

Przedstawiamy ramy myślenia o ML, uczciwości i prywatności. Podczas wykładu zaproponowany zostanie przepływ pracy ML uwzględniający uczciwość, zilustrujemy, jak narzędzia TensorFlow, takie jak wskaźniki uczciwości, można wykorzystać do wykrywania i łagodzenia uprzedzeń, a następnie przejdzie do konkretnego studium przypadku dotyczącego prywatności, które przeprowadzi uczestników przez kilka elementów infrastruktury które mogą pomóc wytrenować model z zachowaniem prywatności.

Catherina Xu

Miguel Guevara
16:20 TensorFlow Quantum: Platforma oprogramowania do hybrydowego kwantowo-klasycznego uczenia maszynowego

Przedstawiamy TensorFlow Quantum, bibliotekę typu open source do szybkiego prototypowania nowatorskich, hybrydowych, klasycznych algorytmów ML. Ta biblioteka rozszerzy zakres obecnego ML w ramach TensorFlow i zapewni niezbędny zestaw narzędzi do łączenia społeczności badawczych zajmujących się obliczeniami kwantowymi i uczeniem maszynowym w celu kontrolowania i modelowania danych kwantowych.

Masoud Mohseni
16:45 Komunikaty końcowe