Agenda 2020

TensorFlow Dev Summit 2020 będzie jednodniową transmisją na żywo 11 marca 2020 r.
Wszystkie godziny to czas pacyficzny letni (UTC-07:00).

Pamiętaj, że rzeczywiste czasy mogą się różnić o ±5 minut. Dodatkowe wykłady zostaną opublikowane na kanale YouTube TensorFlow w dniach po wydarzeniu.
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 przegięcia, a ta prezentacja pokazuje, jak TensorFlow i Keras ułatwiają wstępne przetwarzanie, trenowanie i dostrajanie modeli tekstowych.

Paige Bailey
10:15 TensorFlow Hub: ułatwienie odkrywania modeli

TF Hub to główne repozytorium modeli ML. W tym wykładzie przyjrzymy się wszystkim nowym funkcjom i tym, jak mogą one jeszcze bardziej ulepszyć Twoją podróż do odkrywania modeli.

Sandeep Gupta
10:25 Wspólna ML z TensorBoard.dev

Udostępnianie wyników eksperymentów jest ważną częścią procesu ML. Ta prezentacja pokazuje, w jaki sposób TensorBoard.dev może umożliwić kooperacyjną ML, ułatwiając udostępnianie wyników eksperymentów w gazecie, poście na blogu, w mediach społecznościowych i nie tylko.

Gal Oshri
10:30 RANO Przejście Kagglerów na TPU z TF 2.x

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

Julia Elliotta
10:35 Profilowanie wydajności w TF 2

Ta prezentacja przedstawia profiler, którego Google używa wewnętrznie do badania wydajności TF na platformach, w tym GPU, TPU i CPU.

Qiumin Xu
10:45 Potencjalna blokada pytań i odpowiedzi

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

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

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

Aleksandra Passosa
11:35 Zróżnicowane wypukłe warstwy optymalizacji

Problemy optymalizacji wypukłej służą do rozwiązywania wielu problemów w świecie rzeczywistym. Do tej pory trudno było je stosować w rurociągach TensorFlow. Ta prezentacja przedstawia cvxpylayers, pakiet, który ułatwia osadzenie wypukłych problemów optymalizacji w TensorFlow, umożliwiając ich dostrojenie za pomocą gradientu.

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

W miarę jak uczenie modeli staje się bardziej rozproszone, tf.data ewoluowało, aby być bardziej świadomym dystrybucji i bardziej wydajnym. W prelekcji przedstawiono narzędzia tf.data do skalowania przetwarzania danych TensorFlow. W szczególności: usługa tf.data, która umożliwia działanie potoku tf.data w klastrze maszyn, oraz tf.data.snapshot, która materializuje wyniki na dysku w celu ponownego użycia 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, które przyspieszają i skalują obciążenie treningowe użytkowników w zakresie uczenia maszynowego do wieloprocesorowych procesorów graficznych. Przechodzimy przez optymalizacje za pomocą zadania dostrajającego BERT w ogrodzie modeli TF, napisanego przy użyciu niestandardowej pętli treningowej.

Zongwei Zhou
12:10 Jak najlepiej wykorzystać Colab

Poznaj porady i wskazówki od zespołu Colab. W tym wykładzie opisujemy, w jaki sposób użytkownicy TensorFlow w pełni wykorzystują Colab, i zaglądamy za kurtynę, aby zobaczyć, jak działa Colab.

Timothy Novikoff
12:15 TensorFlow i uczenie maszynowe z okopów: Centrum innowacji w Laboratorium Napędów Odrzutowych

Chris Mattmann wyjaśni, w jaki sposób Centrum Doświadczeń Innowacji JPL w Biurze Dyrektora ds. Informacji wspiera zaawansowaną analitykę, sztuczną inteligencję i uczenie maszynowe przy użyciu TensorFlow dla Smarter Rovers, Smarter Campus i nie tylko!

Chris Mattmann, NASA
12:25 Potencjalna blokada pytań i odpowiedzi

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

Prelegenci od przerwy
12:35 Przerwanie
13:40 MLIR: Przyspieszenie TF za pomocą kompilatorów

W tym wykładzie opiszemy MLIR — infrastrukturę kompilatora uczenia maszynowego dla TensorFlow i wyjaśnimy, w jaki sposób pomaga TensorFlow w szybszym skalowaniu w celu zaspokojenia potrzeb szybko ewoluującego 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 wydajne 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 r.

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

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Produkcja TensorFlow z Google Cloud

TensorFlow Enterprise sprawia, że ​​Twoje aplikacje TensorFlow są gotowe do pracy, dzięki wielu ulepszeniom TensorFlow w Google Cloud. Odblokowuje dane i modele w skali chmury, jednocześnie upraszczając tworzenie aplikacji ML o znaczeniu krytycznym dla biznesu, od prototypu po produkcję. Wspólnie rozwiązujemy najtrudniejszą część przedsiębiorstwa ML w produkcji.

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

Dowiedz się, jak wdrożyć ML na telefony komórkowe i urządzenia wbudowane. Obecnie wdrożony na miliardach urządzeń w produkcji — jest to najlepsza na świecie wieloplatformowa platforma ML dla urządzeń mobilnych i mikrokontrolerów. Oglądaj nasze nowe ekscytujące ogłoszenia.

Tim Davis

TJ Alumbaugh
14:55 Jacquard: bezproblemowe osadzanie ML w codziennych obiektach

Jacquard to oparta na ML platforma przetwarzania otoczenia, która wykorzystuje zwykłe, znajome obiekty i wzbogaca je o nowe cyfrowe możliwości i doświadczenia, zachowując jednocześnie wierność ich pierwotnemu celowi. Opiszemy, w jaki sposób wyszkoliliśmy i wdrożyliśmy modele uczenia maszynowego o ograniczonych zasobach, które są bezproblemowo osadzane w codziennych ubraniach i akcesoriach; jak ulubiona kurtka, plecak lub para butów, które uwielbiasz nosić.

Mikołaj Gillian
15:05 TensorFlow.js: uczenie maszynowe w sieci i poza nią

TensorFlow.js to platforma do szkolenia i wdrażania modeli uczenia maszynowego w przeglądarkach lub w dowolnym miejscu, w którym można uruchomić JavaScript, takim jak urządzenia mobilne, platforma mini aplikacji WeChat i Raspberry Pi. Zapewnia kilka zapleczy, w tym zaplecze CPU, GPU, Node i WASM. Zapewnia również kolekcję wstępnie wytrenowanych modeli, w tym dwa najnowsze dodatki: MobileBERT i FaceMesh.

Na Li
15:15 Potencjalna blokada pytań i odpowiedzi

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

Prelegenci od przerwy
15:25 Przerwanie
15:45 Zaangażowanie się w społeczność TF

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

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

Przedstawiamy ramy do myślenia o ML, uczciwości i prywatności. W trakcie tego wykładu zaproponujemy przepływ pracy ML uwzględniający uczciwość, zilustrujemy, w jaki sposób narzędzia TensorFlow, takie jak wskaźniki uczciwości, mogą być wykorzystywane do wykrywania i łagodzenia stronniczości, a następnie przejdzie do konkretnego studium przypadku dotyczącego prywatności, które przeprowadzi uczestników przez kilka elementów infrastruktury które mogą pomóc w szkoleniu modelu w sposób chroniący prywatność.

Katarzyna Xu

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

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

Masud Mohseni
16:45 Ogłoszenia końcowe