2020 Ajandası

2020 TensorFlow Geliştirici Zirvesi, 11 Mart 2020'de bir günlük canlı yayın olacak.
Tüm zamanlar Pasifik Yaz Saati'dir (UTC-07: 00).

Gerçek sürelerin ± 5 dakika değişebileceğini unutmayın. Etkinlikten sonraki günlerde TensorFlow YouTube Kanalında ek görüşmeler yayınlanacak.
09:00 Canlı yayın başlar
09:30 Keynote Megan Kacholia

Kemal El Mücahid

Manasi Joshi
09:55 TensorFlow ve Keras ile Okumayı Öğrenme

Doğal Dil İşleme (NLP) bir dönüm noktasına ulaştı ve bu konuşma, TensorFlow ve Keras'ın ön işlem, eğitim ve hipertün metin modellerini nasıl kolaylaştırdığını gösteriyor.

Paige Bailey
10:15 TensorFlow Hub: Model Bulmayı Kolaylaştırma

TF Hub, ML modelleri için ana depodur. Bu konuşma, tüm yeni özellikleri ve bunların model keşif yolculuğunuzu nasıl daha da iyi hale getirebileceğini ele alıyor.

Sandeep Gupta
10:25 TensorBoard.dev ile Ortak Makine Öğrenimi

Deney sonuçlarını paylaşmak, makine öğrenimi sürecinin önemli bir parçasıdır. Bu konuşma, TensorBoard.dev'in makalenizde, blog gönderisinde, sosyal medyada ve daha fazlasında deney sonuçlarını paylaşmayı kolaylaştırarak işbirliğine dayalı ML'yi nasıl etkinleştirebileceğini gösterir.

Gal Oshri
SABAH 10:30 Kagglers'ın TF 2.x ile TPU'ya geçişi

Son zamanlarda Kaggle, rekabet platformu aracılığıyla TPU desteğini tanıttı. Bu konuşma, Kaggler rakiplerinin GPU'dan TPU kullanımına, önce Colab'da ve ardından Kaggle dizüstü bilgisayarlarda nasıl geçiş yaptıklarına değiniyor.

Julia Elliott
10:35 TF 2'de Performans Profili Oluşturma

Bu konuşma, Google'ın GPU, TPU ve CPU gibi platformlarda TF performansını araştırmak için dahili olarak kullandığı bir profil oluşturucuyu sunar.

Qiumin Xu
10:45 Olası Soru-Cevap Bloğu

TensorFlow ekip üyelerinin sohbette gerçek zamanlı olarak yanıt vermesini sağlayacağımız için lütfen canlı yayında LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, birkaç soruyu canlı olarak yanıtlayacağız.

Şimdiye kadarki tüm konuşmacılar
10:55 Break
11:20 TensorFlow ile araştırma

Bu konuşmada, TF'nin araştırma yaparken faydalı olan bazı ilginç özelliklerini gözden geçireceğiz.

Alexandre Passos
11:35 Farklılaştırılabilir Konveks Optimizasyon Katmanları

Gerçek dünyadaki birçok sorunu çözmek için dışbükey optimizasyon problemleri kullanılır. Şimdiye kadar, bunları TensorFlow ardışık düzenlerinde kullanmak zordu. Bu konuşma, dışbükey optimizasyon problemlerini TensorFlow'a yerleştirmeyi kolaylaştıran ve gradyan inişini kullanarak bunları ayarlamanıza izin veren bir paket olan cvxpylayers'ı sunar.

Akshay Agrawal, Stanford Üniversitesi
11:40 Tensorflow Veri İşlemeyi tf.data ile ölçeklendirme

Model eğitimi doğada daha dağıtık hale geldikçe, tf.data, dağıtıma daha duyarlı ve daha performanslı olacak şekilde gelişti. Bu konuşma, TensorFlow veri işlemeyi ölçeklendirmek için tf.data araçlarını sunar. Özellikle: tf.data ardışık düzeninizin bir makine kümesi üzerinde çalışmasını sağlayan tf.data hizmeti ve birden çok çağrıda yeniden kullanım için sonuçları diske aktaran tf.data.snapshot.

Rohan Jain
11:55 TensorFlow 2 Modellerini Çok Çalışan GPU'lara Ölçeklendirme

Bu konuşma, kullanıcıların makine öğrenimi eğitim iş yükünü hızlandırmak ve çok çalışanlı çoklu GPU'lara ölçeklendirmek için TensorFlow 2.2'deki birden çok performans iyileştirmesini sergiliyor. Özel bir eğitim döngüsü kullanılarak yazılan TF model bahçesinde bir BERT ince ayar görevi kullanarak optimizasyonları gözden geçiriyoruz.

Zongwei Zhou
12:10 Colab'den En İyi Şekilde Yararlanmak

Colab ekibinden ipuçları ve püf noktaları öğrenin. Bu konuşma, TensorFlow kullanıcılarının Colab'den nasıl en iyi şekilde yararlandığını anlatıyor ve Colab'ın nasıl çalıştığını görmek için perdenin arkasına göz atıyor.

Timothy Novikoff
12:15 Açmalardan TensorFlow ve Makine Öğrenimi: Jet Tahrik Laboratuvarındaki İnovasyon Deneyim Merkezi

Chris Mattmann, JPL'nin Baş Bilgi Sorumlusu Ofisinde bulunan İnovasyon Deneyimi Merkezi'nin TensorFlow for Smarter Rovers, Smarter Campus ve ötesinde kullanarak gelişmiş analitiği, yapay zekayı ve Makine Öğrenimini nasıl desteklediğini açıklayacak!

Chris Mattmann, NASA
12:25 Olası Soru-Cevap Bloğu

TensorFlow ekip üyelerinin sohbette gerçek zamanlı olarak yanıt vermesini sağlayacağımız için lütfen canlı yayında LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, birkaç soruyu canlı olarak yanıtlayacağız.

Aradan itibaren konuşmacılar
12:35 Break
13:40 MLIR: Derleyicilerle TF'yi Hızlandırma

Bu konuşma MLIR - TensorFlow için makine öğrenimi derleyici altyapısını açıklayacak ve TensorFlow'un hızla gelişen makine öğrenimi yazılım ve donanımlarının ihtiyaçlarını karşılamak için daha hızlı ölçeklenmesine nasıl yardımcı olduğunu açıklayacak.

Jacques Pienaar
13:50 TFRT: Yeni Bir TensorFlow Çalışma Zamanı

TFRT, TensorFlow için yeni bir çalışma zamanıdır. MLIR'den yararlanarak, çok çeşitli etki alanına özgü donanımlarda sınıfının en iyisi performansa sahip birleşik, genişletilebilir bir altyapı katmanı sağlamayı amaçlamaktadır. Bu yaklaşım, çok iş parçacıklı ana CPU'ların verimli kullanımını sağlar, tamamen eşzamansız programlama modellerini destekler ve düşük düzey verimliliğe odaklanır.

Mingsheng Hong
ÖĞLEDEN SONRA 2:00 TFX: 2020'de TensorFlow ile Üretim ML'si

Google üretim makine öğrenimi platformu TFX'in 2020'de nasıl değiştiğini öğrenin.

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Google Cloud ile TensorFlow'u Üretme

TensorFlow Enterprise, Google Cloud'da TensorFlow'da yapılan bir dizi geliştirmeyle TensorFlow uygulamalarınızı kurumsal hale getirir. Prototipten üretime iş açısından kritik ML uygulamalarının geliştirilmesini basitleştirirken Bulut ölçeğindeki verilerin ve modellerin kilidini açar. Üretimde kurumsal makine öğreniminin en zor kısmını birlikte çözüyoruz.

Makoto Uchida
14:35 TensorFlow Lite: Mobil ve IoT Cihazları için Makine Öğrenimi

ML'yi cep telefonlarına ve yerleşik cihazlara nasıl dağıtacağınızı öğrenin. Artık üretimdeki milyarlarca cihazda konuşlandırıldı - mobil ve mikro denetleyiciler için dünyanın en iyi platformlar arası makine öğrenimi çerçevesi. Yeni heyecan verici duyurularımızı takip edin.

Tim Davis

TJ Alumbaugh
14:55 Jakar: Makine Öğrenimini Günlük Nesnelere Sorunsuz Bir Şekilde Yerleştirme

Jacquard, sıradan, tanıdık nesneleri alıp orijinal amaçlarına sadık kalarak onları yeni dijital beceriler ve deneyimlerle geliştiren, ML destekli bir ortam hesaplama platformudur. Günlük kıyafetlere ve aksesuarlara sorunsuz bir şekilde yerleştirilen kaynakları kısıtlı makine öğrenimi modellerini nasıl eğittiğimizi ve uyguladığımızı açıklayacağız; En sevdiğiniz ceket, sırt çantası veya giymeyi sevdiğiniz bir çift ayakkabı gibi.

Nicholas Gillian
15:05 TensorFlow.js: Web ve Ötesi için Makine Öğrenimi

TensorFlow.js, makine öğrenimi modellerini tarayıcılarda veya mobil cihazlar, WeChat mini uygulama platformu ve Raspberry Pi gibi Javascript'in çalışabileceği herhangi bir yerde eğitmek ve dağıtmak için bir platformdur. Bir CPU, GPU, Düğüm ve WASM arka ucu dahil olmak üzere birkaç arka uç sağlar. Ayrıca, en yeni iki eklenti de dahil olmak üzere önceden eğitilmiş modellerden oluşan bir koleksiyon sunar: MobileBERT ve FaceMesh.

Na Li
15:15 Olası Soru-Cevap Bloğu

TensorFlow ekip üyelerinin sohbette gerçek zamanlı olarak yanıt vermesini sağlayacağımız için lütfen canlı yayında LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, birkaç soruyu canlı olarak yanıtlayacağız.

Aradan itibaren konuşmacılar
15:25 Break
15:45 TF Topluluğuna Dahil Olmak

Büyüyen TensorFlow ekosisteminin bir parçası olabileceğinizi ve kodlama, dokümantasyon, eğitim veya topluluk liderliği yoluyla nasıl katkıda bulunabileceğinizi öğrenin.

Joana Carraqueira
15:55 TensorFlow ile Sorumlu Yapay Zeka: Adalet ve Gizlilik

Makine öğrenimi, adalet ve gizlilik hakkında düşünmek için bir çerçeve sunuyoruz. Bu konuşma, adalet bilincine sahip bir ML iş akışı önerecek, Adalet Göstergeleri gibi TensorFlow araçlarının önyargıyı tespit etmek ve hafifletmek için nasıl kullanılabileceğini gösterecek ve ardından katılımcıları birkaç altyapı parçasından geçirecek olan gizlilikle ilgili özel bir vaka çalışmasına geçecektir. bu, bir modeli gizliliği koruyarak eğitmeye yardımcı olabilir.

Catherina Xu

Miguel Guevara
16:20 TensorFlow Quantum: Hibrit Kuantum-Klasik Makine Öğrenimi için Bir Yazılım Platformu

Yeni hibrit kuantum-klasik makine öğrenimi algoritmalarının hızlı prototiplenmesi için açık kaynaklı bir kitaplık olan TensorFlow Quantum'u sunuyoruz. Bu kütüphane, TensorFlow altındaki mevcut makine öğreniminin kapsamını genişletecek ve kuantum verilerini kontrol etmek ve modellemek için kuantum hesaplama ve makine öğrenimi araştırma topluluklarını bir araya getirmek için gerekli araç kutusunu sağlayacaktır.

Masoud Mohseni
16:45 Kapanış duyuruları