Agenda 2020
9:00 DA MANHÃ | A transmissão ao vivo começa | |
9:30 DA MANHÃ | Keynote | Megan Kacholia Kemal El Moujahid Manasi Joshi |
9h55 | Aprendendo a ler com TensorFlow e Keras 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. | Paige Bailey |
10h15 | TensorFlow Hub: facilitando a descoberta do modelo 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. | Sandeep Gupta |
10h25 | ML colaborativo com TensorBoard.dev 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. | Gal Oshri |
10:30 AM | Transição de Kagglers para TPU com TF 2.x 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. | Julia Elliott |
10h35 | Perfil de desempenho em TF 2 Esta palestra apresenta um profiler que o Google usa internamente para investigar o desempenho do TF em plataformas incluindo GPU, TPU e CPU. | Qiumin Xu | 10h45 | Possível bloco de perguntas e respostas 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. | Todos os alto-falantes até agora |
10:55 | Pausa | |
11h20 | Pesquisa com TensorFlow Nesta palestra, examinaremos alguns recursos interessantes do TF que são úteis ao fazer pesquisas. | Alexandre Passos |
11h35 | Camadas de otimização convexa diferenciáveis 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. | Akshay Agrawal, Universidade de Stanford |
11h40 | Como escalonar o processamento de dados do Tensorflow com tf.data 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. | Rohan Jain |
11h55 | Escalonamento de modelos do TensorFlow 2 para GPUs multitrabalhadores 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. | Zongwei Zhou |
12h10 | Aproveitando ao máximo o Colab 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. | Timothy Novikoff |
12h15 | TensorFlow e aprendizado de máquina das trincheiras: o centro de experiência em inovação no laboratório de propulsão a jato 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! | Chris Mattmann, NASA |
12h25 | Possível bloco de perguntas e respostas 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. | Alto-falantes do intervalo em diante |
12h35 | Pausa | |
13h40 | MLIR: Acelerando TF com Compiladores 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. | Jacques Pienaar |
13h50 | TFRT: um novo tempo de execução do TensorFlow 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. | Mingsheng Hong |
14:00 | TFX: ML de produção com TensorFlow em 2020 Saiba como a plataforma de ML de produção do Google, TFX, está mudando em 2020. | Tris Warkentin Zhitao Li |
14h25 | TensorFlow Enterprise: Produzindo TensorFlow com o Google Cloud 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. | Makoto Uchida |
14h35 | TensorFlow Lite: ML para dispositivos móveis e IoT 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. | Tim Davis TJ Alumbaugh |
14h55 | Jacquard: incorporando ML perfeitamente em objetos do dia-a-dia 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. | Nicholas Gillian |
15h05 | TensorFlow.js: aprendizado de máquina para a Web e muito mais 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. | Na Li |
15h15 | Possível bloco de perguntas e respostas 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. | Alto-falantes do intervalo em diante |
15h25 | Pausa | |
15h45 | Envolvendo-se na comunidade TF 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. | Joana carraqueira |
15h55 | IA responsável com TensorFlow: justiça e privacidade 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. | Catherina Xu Miguel Guevara |
16h20 | TensorFlow Quantum: uma plataforma de software para aprendizado de máquina Hybrid Quantum-Classical 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. | Masoud Mohseni |
4:45 PM | Anúncios de encerramento |