O Natural Language Processing (NLP) atingiu um ponto de inflexão, e esta palestra mostra como o TensorFlow e o Keras facilitam o pré-processamento, o treinamento e o hypertune de modelos de texto.

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

O compartilhamento de resultados de experimentos é uma parte importante do processo de ML. Esta palestra mostra como o TensorBoard.dev pode habilitar o 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 a TPU por meio de sua plataforma de competição. Esta palestra aborda como os concorrentes da Kaggler fizeram a transição do uso de GPU para TPU, primeiro no Colab e depois nos notebooks Kaggle.

Esta palestra apresenta um criador de perfil que o Google usa internamente para investigar o desempenho do TF em plataformas como 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 algumas perguntas ao vivo.

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

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 ajustá-los usando gradiente descendente.

À medida que o treinamento do modelo se torna mais distribuído por natureza, o tf.data evoluiu para ser mais consciente e com melhor desempenho. Esta palestra apresenta as ferramentas tf.data para dimensionar o processamento de dados do TensorFlow. Em particular: serviço tf.data que permite que seu 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 funcionários. Percorremos as otimizações usando uma tarefa de ajuste fino do BERT no TF model garden, escrita usando um loop de treinamento personalizado.

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

Chris Mattmann explicará como o Centro de Experiência de Inovação do JPL no Escritório do Diretor de Informações oferece suporte a análises avançadas, IA e aprendizado de máquina usando o TensorFlow para Smarter Rovers, um Smarter Campus 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 algumas perguntas ao vivo.

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

O TFRT é um novo ambiente de execução do TensorFlow. Aproveitando o MLIR, ele visa fornecer uma camada de infraestrutura unificada e extensível com o melhor desempenho da categoria em uma ampla variedade de hardware específico de domínio. Essa abordagem fornece uso eficiente das CPUs de host multithread, suporta modelos de programação totalmente assíncronos e é focada na eficiência de baixo nível.

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

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

Saiba 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 com tecnologia de ML que pega objetos comuns e familiares e os aprimora com novas habilidades e experiências digitais, mantendo-se fiel ao seu propósito original. Descreveremos como treinamos e implantamos modelos de aprendizado de máquina com recursos limitados que são incorporados perfeitamente às roupas e acessórios do dia a dia; como sua jaqueta favorita, mochila ou um par de sapatos que você adora usar.

O TensorFlow.js é uma plataforma para treinamento e implantação de 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 um back-end de CPU, GPU, Node e 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 algumas perguntas ao vivo.

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

Apresentando uma estrutura para pensar sobre ML, justiça e privacidade. Esta palestra proporá um fluxo de trabalho de ML com reconhecimento de justiça, ilustrará como as ferramentas do TensorFlow, como indicadores de justiça, podem ser usadas para detectar e mitigar o viés e, em seguida, fará a transição para um estudo de caso específico sobre privacidade que orientará os participantes por algumas partes da infraestrutura que podem ajudar a treinar um modelo de maneira que preserve a privacidade.

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