Agenda 2020

TensorFlow Dev Summit 2020 akan menjadi streaming langsung satu hari pada 11 Maret 2020.
Semua waktu adalah Waktu Musim Panas Pasifik (UTC-07.00).

Perhatikan bahwa waktu sebenarnya dapat bervariasi ±5 menit. Pembicaraan tambahan akan diposting ke Saluran YouTube TensorFlow beberapa hari setelah acara.
9:00 PAGI Siaran langsung dimulai
9:30 PAGI Keynote Megan Kacholia

Kemal El Moujahid

Manasi Joshi
09:55 Belajar Membaca dengan TensorFlow dan Keras

Natural Language Processing (NLP) telah mencapai titik belok, dan pembicaraan ini menunjukkan kepada Anda bagaimana TensorFlow dan Keras mempermudah praproses, melatih, dan menyempurnakan model teks.

Paige Bailey
10:15 TensorFlow Hub: Memudahkan Penemuan Model

TF Hub adalah repositori utama untuk model ML. Pembicaraan ini membahas semua fitur baru dan bagaimana fitur tersebut dapat membuat perjalanan penemuan model Anda menjadi lebih baik.

Sandeep Gupta
10:25 pagi ML kolaboratif dengan TensorBoard.dev

Berbagi hasil eksperimen adalah bagian penting dari proses ML. Pembicaraan ini menunjukkan bagaimana TensorBoard.dev dapat mengaktifkan ML kolaboratif dengan mempermudah berbagi hasil eksperimen di makalah, entri blog, media sosial, dan banyak lagi.

Gal Oshri
10:30 PAGI Transisi Kaggler ke TPU dengan TF 2.x

Baru-baru ini, Kaggle memperkenalkan dukungan TPU melalui platform kompetisinya. Pembicaraan ini membahas bagaimana pesaing Kaggler beralih dari penggunaan GPU ke TPU, pertama di Colab, lalu di notebook Kaggle.

Julia Elliott
10:35 pagi Profil Kinerja di TF 2

Pembicaraan ini menyajikan profiler yang digunakan Google secara internal untuk menyelidiki kinerja TF pada platform termasuk GPU, TPU, dan CPU.

Qiumin Xu
10:45 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Semua pembicara sejauh ini
10:55 Merusak
11:20 Riset dengan TensorFlow

Dalam pembicaraan ini kita akan membahas beberapa fitur menarik dari TF yang berguna saat melakukan penelitian.

Alexandre Passos
11:35 pagi Lapisan Optimasi Cembung yang Dapat Dibedakan

Masalah optimasi cembung digunakan untuk menyelesaikan banyak masalah di dunia nyata. Sampai sekarang, sulit untuk menggunakannya di pipeline TensorFlow. Pembicaraan ini menyajikan cvxpylayers, sebuah paket yang memudahkan untuk menyematkan masalah pengoptimalan cembung ke dalam TensorFlow, memungkinkan Anda menyetelnya menggunakan penurunan gradien.

Akshay Agrawal, Universitas Stanford
11:40 pagi Menskalakan Pemrosesan Data Tensorflow dengan tf.data

Karena pelatihan model menjadi lebih terdistribusi secara alami, tf.data telah berkembang menjadi lebih sadar distribusi dan berkinerja. Pembicaraan ini menyajikan alat tf.data untuk menskalakan pemrosesan data TensorFlow. Khususnya: layanan tf.data yang memungkinkan pipeline tf.data Anda berjalan pada sekelompok mesin, dan tf.data.snapshot yang mewujudkan hasil ke disk untuk digunakan kembali di beberapa pemanggilan.

Rohan Jain
11:55 pagi Menskalakan Model TensorFlow 2 ke GPU Multi-Pekerja

Pembicaraan ini menampilkan beberapa peningkatan kinerja di TensorFlow 2.2 untuk mempercepat dan menskalakan beban kerja pelatihan ML pengguna ke multi-GPU multi-pekerja. Kami berjalan melalui optimasi menggunakan tugas fine-tuning BERT di taman model TF, yang ditulis menggunakan loop pelatihan khusus.

Zongwei Zhou
12:10 Memaksimalkan Colab

Pelajari tips dan trik dari tim Colab. Pembicaraan ini menjelaskan cara pengguna TensorFlow memanfaatkan Colab secara maksimal, dan mengintip di balik tirai untuk melihat cara kerja Colab.

Timothy Novikoff
12:15 TensorFlow dan Machine Learning dari Trenches: Innovation Experience Center di Jet Propulsion Laboratory

Chris Mattmann akan menjelaskan bagaimana Pusat Pengalaman Inovasi JPL di Kantor Chief Information Officer mendukung analitik tingkat lanjut, AI, dan Pembelajaran Mesin menggunakan TensorFlow untuk Smarter Rovers, Kampus yang Lebih Cerdas, dan seterusnya!

Chris Mattmann, NASA
12:25 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pembicara dari istirahat dan seterusnya
12:35 Merusak
13:40 MLIR: Mempercepat TF dengan Compiler

Pembicaraan ini akan menjelaskan MLIR - infrastruktur kompiler pembelajaran mesin untuk TensorFlow dan menjelaskan bagaimana hal itu membantu TensorFlow untuk menskalakan lebih cepat untuk memenuhi kebutuhan perangkat lunak dan perangkat keras pembelajaran mesin yang berkembang pesat.

Jacques Pienaar
13:50 TFRT: Waktu Proses TensorFlow Baru

TFRT adalah runtime baru untuk TensorFlow. Memanfaatkan MLIR, ini bertujuan untuk menyediakan lapisan infrastruktur terpadu yang dapat diperluas dengan kinerja terbaik di kelasnya di berbagai perangkat keras khusus domain. Pendekatan ini menyediakan penggunaan CPU host multithread secara efisien, mendukung model pemrograman asinkron sepenuhnya, dan berfokus pada efisiensi tingkat rendah.

Mingsheng Hong
JAM 2 SIANG TFX: ML Produksi dengan TensorFlow pada tahun 2020

Pelajari bagaimana platform ML produksi Google, TFX, berubah pada tahun 2020.

Tris Warkentin

Zhitao Li
14:25 TensorFlow Enterprise: Memproduksi TensorFlow dengan Google Cloud

TensorFlow Enterprise membuat aplikasi TensorFlow perusahaan Anda siap, dengan sejumlah penyempurnaan TensorFlow di Google Cloud. Ini membuka data dan model skala Cloud, sekaligus menyederhanakan pengembangan aplikasi ML penting bisnis dari prototipe hingga produksi. Bersama-sama, kami memecahkan bagian tersulit dari ML perusahaan dalam produksi.

Makoto Uchida
14:35 TensorFlow Lite: ML untuk Perangkat Seluler dan IoT

Pelajari tentang cara menerapkan ML ke ponsel dan perangkat tersemat. Sekarang digunakan di miliaran perangkat dalam produksi - ini adalah kerangka kerja ML lintas platform terbaik di dunia untuk seluler dan mikrokontroler. Nantikan pengumuman baru kami yang menarik.

Tim Davis

TJ Alumbaugh
14:55 Jacquard: Menyematkan ML dengan Mulus ke Objek Sehari-hari

Jacquard adalah platform komputasi ambient bertenaga ML yang mengambil objek biasa yang sudah dikenal dan meningkatkannya dengan kemampuan dan pengalaman digital baru, sambil tetap setia pada tujuan aslinya. Kami akan menjelaskan bagaimana kami telah melatih dan menerapkan model pembelajaran mesin dengan sumber daya terbatas yang dapat disematkan dengan mulus ke dalam pakaian dan aksesori sehari-hari; seperti jaket favorit Anda, ransel, atau sepasang sepatu yang Anda suka pakai.

Nicholas Gillian
15:05 TensorFlow.js: Pembelajaran Mesin untuk Web dan Lebih Jauh

TensorFlow.js adalah platform untuk melatih dan menerapkan model pembelajaran mesin di browser, atau di mana pun Javascript dapat berjalan, seperti perangkat seluler, platform aplikasi mini WeChat, dan Raspberry Pi. Ini menyediakan beberapa back end, termasuk CPU, GPU, Node, dan back end WASM. Ini juga menyediakan koleksi model pra-latihan, termasuk dua tambahan terbaru: MobileBERT dan FaceMesh.

Na Li
15:15 Potensi Blok Tanya Jawab

Manfaatkan fitur LiveChat dalam streaming langsung karena kami akan meminta anggota tim TensorFlow merespons dalam obrolan secara real time. Jika kami memiliki waktu tambahan dalam siaran langsung, kami akan menjawab beberapa pertanyaan secara langsung.

Pembicara dari istirahat dan seterusnya
15:25 Merusak
15:45 Terlibat dalam Komunitas TF

Pelajari bagaimana Anda dapat menjadi bagian dari ekosistem TensorFlow yang berkembang dan menjadi kontributor melalui kode, dokumentasi, pendidikan, atau kepemimpinan komunitas.

Joana Carraqueira
15:55 AI yang Bertanggung Jawab dengan TensorFlow: Keadilan dan Privasi

Memperkenalkan kerangka kerja untuk memikirkan ML, keadilan, dan privasi. Pembicaraan ini akan mengusulkan alur kerja ML yang sadar akan keadilan, menggambarkan bagaimana alat TensorFlow seperti Indikator Kewajaran dapat digunakan untuk mendeteksi dan mengurangi bias, dan kemudian akan beralih ke studi kasus tertentu mengenai privasi yang akan memandu peserta melalui beberapa bagian infrastruktur yang dapat membantu melatih model dengan cara menjaga privasi.

Catherine Xu

Miguel Guevara
16:20 TensorFlow Quantum: Platform Perangkat Lunak untuk Pembelajaran Mesin Klasik Quantum Hibrida

Kami memperkenalkan TensorFlow Quantum, library open-source untuk pembuatan prototipe cepat algoritme ML kuantum klasik hibrid baru. Pustaka ini akan memperluas cakupan ML saat ini di bawah TensorFlow dan menyediakan kotak alat yang diperlukan untuk menyatukan komputasi kuantum dan komunitas riset pembelajaran mesin untuk mengontrol dan memodelkan data kuantum.

Masoud Mohseni
16:45 Pengumuman penutupan