Xử lý ngôn ngữ tự nhiên (NLP) đã đạt đến điểm uốn và bài nói chuyện này cho bạn thấy cách TensorFlow và Keras giúp bạn dễ dàng xử lý trước, đào tạo và các mô hình văn bản siêu âm.

TF Hub là kho lưu trữ chính cho các mô hình ML. Buổi nói chuyện này xem xét tất cả các tính năng mới và cách chúng có thể làm cho hành trình khám phá mô hình của bạn tốt hơn nữa.

Chia sẻ kết quả thí nghiệm là một phần quan trọng của quá trình ML. Buổi nói chuyện này cho thấy cách TensorBoard.dev có thể kích hoạt ML cộng tác bằng cách giúp bạn dễ dàng chia sẻ kết quả thử nghiệm trong bài báo, bài đăng trên blog, phương tiện truyền thông xã hội và hơn thế nữa.

Gần đây, Kaggle đã giới thiệu hỗ trợ TPU thông qua nền tảng cạnh tranh của nó. Bài nói chuyện này đề cập đến cách các đối thủ cạnh tranh của Kaggler chuyển đổi từ GPU sang TPU sử dụng, đầu tiên là trong Colab, sau đó là trong máy tính xách tay Kaggle.

Buổi nói chuyện này trình bày một hồ sơ mà Google sử dụng nội bộ để điều tra hiệu suất TF trên các nền tảng bao gồm GPU, TPU và CPU.

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Trong buổi nói chuyện này, chúng ta sẽ xem xét một số tính năng thú vị của TF rất hữu ích khi thực hiện nghiên cứu.

Các bài toán tối ưu hóa lồi được sử dụng để giải quyết nhiều vấn đề trong thế giới thực. Cho đến nay, rất khó để sử dụng chúng trong đường ống TensorFlow. Buổi nói chuyện này trình bày về cvxpylayers, một gói giúp dễ dàng nhúng các vấn đề tối ưu hóa lồi vào TensorFlow, cho phép bạn điều chỉnh chúng bằng cách sử dụng gradient descent.

Khi việc đào tạo mô hình trở nên phân tán hơn về bản chất, tf.data đã phát triển để nhận biết và hoạt động hiệu quả hơn về phân phối. Buổi nói chuyện này trình bày các công cụ tf.data để mở rộng quy mô xử lý dữ liệu TensorFlow. Cụ thể: dịch vụ tf.data cho phép đường dẫn tf.data của bạn chạy trên một cụm máy và tf.data.snapshot hiện thực hóa kết quả vào đĩa để sử dụng lại qua nhiều lần gọi.

Buổi nói chuyện này giới thiệu nhiều cải tiến hiệu suất trong TensorFlow 2.2 để tăng tốc và mở rộng khối lượng công việc đào tạo ML của người dùng thành đa GPU nhiều nhân viên. Chúng tôi đi qua các tối ưu hóa bằng cách sử dụng tác vụ tinh chỉnh BERT trong vườn mô hình TF, được viết bằng vòng lặp đào tạo tùy chỉnh.

Tìm hiểu các mẹo và thủ thuật từ nhóm Colab. Bài nói chuyện này mô tả cách người dùng TensorFlow tận dụng tối đa Colab và nhìn sau bức màn để xem Colab hoạt động như thế nào.

Chris Mattmann sẽ giải thích cách Trung tâm Trải nghiệm Đổi mới của JPL tại Văn phòng Giám đốc Thông tin hỗ trợ phân tích nâng cao, AI và Học máy bằng cách sử dụng TensorFlow cho Người quản lý thông minh hơn, Cơ sở thông minh hơn, và hơn thế nữa!

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Buổi nói chuyện này sẽ mô tả MLIR - cơ sở hạ tầng trình biên dịch máy học cho TensorFlow và giải thích cách nó giúp TensorFlow mở rộng quy mô nhanh hơn để đáp ứng nhu cầu của phần mềm và phần cứng học máy đang phát triển nhanh chóng.

TFRT là một thời gian chạy mới cho TensorFlow. Tận dụng MLIR, nó nhằm mục đích cung cấp một lớp cơ sở hạ tầng thống nhất, có thể mở rộng với hiệu suất tốt nhất trong lớp trên nhiều loại phần cứng cụ thể của miền. Cách tiếp cận này cung cấp khả năng sử dụng hiệu quả các CPU máy chủ đa luồng, hỗ trợ các mô hình lập trình hoàn toàn không đồng bộ và tập trung vào hiệu quả mức thấp.

Tìm hiểu nền tảng ML sản xuất của Google, TFX, sẽ thay đổi như thế nào vào năm 2020.

TensorFlow Enterprise giúp các ứng dụng TensorFlow của bạn sẵn sàng cho doanh nghiệp, với một số cải tiến cho TensorFlow trên Google Cloud. Nó mở khóa dữ liệu và mô hình quy mô Đám mây, đồng thời đơn giản hóa việc phát triển các ứng dụng ML quan trọng trong kinh doanh từ nguyên mẫu đến sản xuất. Cùng nhau, chúng tôi giải quyết phần khó nhất của ML doanh nghiệp trong sản xuất.

Tìm hiểu về cách triển khai ML cho điện thoại di động và các thiết bị nhúng. Hiện đã được triển khai trên hàng tỷ thiết bị đang được sản xuất - đó là khung ML đa nền tảng tốt nhất thế giới dành cho thiết bị di động và vi điều khiển. Theo dõi các thông báo thú vị mới của chúng tôi.

Jacquard là một nền tảng điện toán môi trường xung quanh được hỗ trợ bởi ML, lấy các vật thể bình thường, quen thuộc và nâng cao chúng với các khả năng và trải nghiệm kỹ thuật số mới, trong khi vẫn đúng với mục đích ban đầu của chúng. Chúng tôi sẽ mô tả cách chúng tôi đã đào tạo và triển khai các mô hình học máy hạn chế tài nguyên được nhúng liền mạch vào quần áo và phụ kiện hàng ngày; như áo khoác, ba lô yêu thích của bạn hoặc một đôi giày mà bạn thích mang.

TensorFlow.js là một nền tảng để đào tạo và triển khai các mô hình học máy trong trình duyệt hoặc bất kỳ nơi nào Javascript có thể chạy, chẳng hạn như thiết bị di động, nền tảng ứng dụng WeChat mini và Raspberry Pi. Nó cung cấp một số mặt sau, bao gồm CPU, GPU, Node và WASM. Nó cũng cung cấp một bộ sưu tập các mô hình được đào tạo trước, bao gồm hai phần bổ sung mới nhất: MobileBERT và FaceMesh.

Vui lòng tận dụng tính năng LiveChat trong buổi phát trực tiếp vì chúng tôi sẽ có các thành viên trong nhóm TensorFlow phản hồi trong cuộc trò chuyện theo thời gian thực. Nếu có thêm thời gian trong buổi phát trực tiếp, chúng tôi sẽ trả lời trực tiếp một số câu hỏi.

Tìm hiểu cách bạn có thể trở thành một phần của hệ sinh thái TensorFlow đang phát triển và trở thành người đóng góp thông qua mã, tài liệu, giáo dục hoặc lãnh đạo cộng đồng.

Giới thiệu một khuôn khổ để suy nghĩ về ML, sự công bằng và quyền riêng tư. Buổi nói chuyện này sẽ đề xuất một quy trình làm việc ML nhận thức công bằng, minh họa cách sử dụng các công cụ TensorFlow như Chỉ báo Công bằng để phát hiện và giảm thiểu sự thiên vị, và sau đó sẽ chuyển sang một nghiên cứu điển hình cụ thể về quyền riêng tư sẽ hướng dẫn người tham gia qua một số phần cơ sở hạ tầng điều đó có thể giúp đào tạo một mô hình theo cách bảo vệ quyền riêng tư.

Chúng tôi giới thiệu TensorFlow Quantum, một thư viện mã nguồn mở để tạo mẫu nhanh các thuật toán ML lượng tử-cổ điển lai mới. Thư viện này sẽ mở rộng phạm vi của ML hiện tại dưới TensorFlow và cung cấp hộp công cụ cần thiết để mang các cộng đồng nghiên cứu máy học và máy tính lượng tử lại với nhau để kiểm soát và mô hình hóa dữ liệu lượng tử.