O processamento de linguagem natural (PNL) atingiu um ponto de inflexão, e esta palestra mostra como o TensorFlow e o Keras facilitam o pré-processamento, o treinamento e o ajuste perfeito dos modelos de texto.

TF Hub é o principal repositório para modelos de ML. Esta palestra examina todos os novos recursos e como eles podem tornar sua jornada de descoberta de modelos ainda melhor.

Compartilhar os resultados do experimento é uma parte importante do processo de ML. Esta palestra mostra como o TensorBoard.dev pode habilitar ML colaborativo facilitando o compartilhamento de resultados de experimentos em seu artigo, postagem de blog, mídia social e muito mais.

Recentemente, a Kaggle introduziu o suporte à TPU por meio de sua plataforma de competição. Esta palestra aborda como os concorrentes do Kaggler fizeram a transição do uso de GPU para TPU, primeiro no Colab e depois nos notebooks Kaggle.

Esta palestra apresenta um profiler que o Google usa internamente para investigar o desempenho do TF em plataformas incluindo GPU, TPU e CPU.

Aproveite o recurso LiveChat na transmissão ao vivo, pois teremos membros da equipe do TensorFlow respondendo no chat em tempo real. Se tivermos mais tempo na transmissão ao vivo, responderemos a algumas perguntas ao vivo.

Nesta palestra, examinaremos alguns recursos interessantes do TF que são úteis ao fazer pesquisas.

Os problemas de otimização convexa são usados ​​para resolver muitos problemas no mundo real. Até agora, era difícil usá-los em pipelines do TensorFlow. Esta palestra apresenta o cvxpylayers, um pacote que facilita a incorporação de problemas de otimização convexa no TensorFlow, permitindo que você os ajuste usando gradiente descendente.

À medida que o treinamento do modelo se torna mais distribuído por natureza, o tf.data evoluiu para ter mais consciência de distribuição e desempenho. Esta palestra apresenta as ferramentas tf.data para escalonar o processamento de dados do TensorFlow. Em particular: o serviço tf.data, que permite que o pipeline tf.data seja executado em um cluster de máquinas, e tf.data.snapshot, que materializa os resultados em disco para reutilização em várias invocações.

Esta palestra mostra várias melhorias de desempenho no TensorFlow 2.2 para acelerar e dimensionar a carga de trabalho de treinamento de ML dos usuários para várias GPUs com vários trabalhadores. Percorremos as otimizações usando uma tarefa de ajuste fino de BERT no jardim de modelos TF, escrita usando um loop de treinamento personalizado.

Aprenda dicas e truques da equipe Colab. Esta palestra descreve como os usuários do TensorFlow aproveitam ao máximo o Colab e dá uma espiada nos bastidores para ver como o Colab funciona.

Chris Mattmann explicará como o Innovation Experience Center da JPL no escritório do Chief Information Officer oferece suporte a análises avançadas, IA e aprendizado de máquina usando TensorFlow para Rovers mais inteligentes, um campus mais inteligente e muito mais!

Aproveite o recurso LiveChat na transmissão ao vivo, pois teremos membros da equipe do TensorFlow respondendo no chat em tempo real. Se tivermos mais tempo na transmissão ao vivo, responderemos a algumas perguntas ao vivo.

Esta palestra descreverá MLIR - infraestrutura de compilador de aprendizado de máquina para TensorFlow e explicará como ela ajuda o TensorFlow a escalar mais rapidamente para atender às necessidades de software e hardware de aprendizado de máquina em rápida evolução.

TFRT é um novo tempo de execução para TensorFlow. Aproveitando o MLIR, ele visa fornecer uma camada de infraestrutura extensível e unificada com o melhor desempenho em uma ampla variedade de hardware específico de domínio. Essa abordagem fornece uso eficiente das CPUs host multithread, suporta modelos de programação totalmente assíncronos e tem como foco a eficiência de baixo nível.

Saiba como a plataforma de ML de produção do Google, TFX, está mudando em 2020.

O TensorFlow Enterprise torna seus aplicativos TensorFlow prontos para empresas, com uma série de melhorias no TensorFlow no Google Cloud. Ele desbloqueia dados e modelos em escala de nuvem, ao mesmo tempo que simplifica o desenvolvimento de aplicativos de ML essenciais aos negócios, do protótipo à produção. Juntos, resolvemos a parte mais difícil do ML empresarial na produção.

Aprenda como implantar ML em telefones celulares e dispositivos incorporados. Agora implantado em bilhões de dispositivos em produção - é a melhor estrutura de ML multiplataforma do mundo para dispositivos móveis e microcontroladores. Sintonize para nossos novos anúncios emocionantes.

Jacquard é uma plataforma de computação ambiente baseada em ML que pega objetos comuns e familiares e os aprimora com novas habilidades e experiências digitais, enquanto permanece fiel ao seu propósito original. Descreveremos como treinamos e implantamos modelos de aprendizado de máquina com recursos limitados que são integrados perfeitamente às roupas e acessórios do dia a dia; como sua jaqueta favorita, mochila ou um par de sapatos que você adora usar.

TensorFlow.js é uma plataforma para treinar e implantar modelos de aprendizado de máquina em navegadores ou em qualquer lugar que o Javascript possa ser executado, como dispositivos móveis, plataforma de miniaplicativos WeChat e Raspberry Pi. Ele fornece vários back-ends, incluindo CPU, GPU, Node e back-end WASM. Ele também fornece uma coleção de modelos pré-treinados, incluindo as duas adições mais recentes: MobileBERT e FaceMesh.

Aproveite o recurso LiveChat na transmissão ao vivo, pois teremos membros da equipe do TensorFlow respondendo no chat em tempo real. Se tivermos mais tempo na transmissão ao vivo, responderemos a algumas perguntas ao vivo.

Saiba como você pode fazer parte do crescente ecossistema TensorFlow e se tornar um contribuidor por meio de código, documentação, educação ou liderança da comunidade.

Apresentando uma estrutura para pensar sobre ML, justiça e privacidade. Esta palestra irá propor um fluxo de trabalho de ML com imparcialidade, ilustrar como as ferramentas do TensorFlow, como indicadores de imparcialidade, podem ser usadas para detectar e mitigar viés e, em seguida, fará a transição para um estudo de caso específico sobre privacidade que guiará os participantes por algumas peças de infraestrutura que pode ajudar a treinar um modelo de forma a preservar a privacidade.

Apresentamos o TensorFlow Quantum, uma biblioteca de código aberto para a prototipagem rápida de novos algoritmos híbridos de ML quântico-clássico. Essa biblioteca ampliará o escopo do ML atual no TensorFlow e fornecerá a caixa de ferramentas necessária para reunir comunidades de pesquisa de computação quântica e aprendizado de máquina para controlar e modelar dados quânticos.