Doğal Dil İşleme (NLP) bir dönüm noktasına geldi ve bu konuşma size TensorFlow ve Keras'ın metin modellerini önceden işlemeyi, eğitmeyi ve hiper ayar yapmayı nasıl kolaylaştırdığını gösteriyor.

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

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

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

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

TensorFlow ekip üyelerimiz sohbette gerçek zamanlı olarak yanıt vereceğinden lütfen canlı yayındaki LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, canlı yayında birkaç soruyu yanıtlayacağız.

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

Konveks optimizasyon problemleri, gerçek dünyadaki birçok problemi çözmek için kullanılır. Şimdiye kadar bunları TensorFlow boru hatlarında kullanmak zordu. Bu konuşma, dışbükey optimizasyon sorunlarını TensorFlow'a yerleştirmeyi kolaylaştıran ve bunları gradyan iniş kullanarak ayarlamanıza olanak tanıyan bir paket olan cvxpylayers'ı sunar.

Model eğitimi doğada daha fazla dağıtılır hale geldikçe, tf.data daha fazla dağıtım bilincine ve performansa sahip olacak şekilde evrildi. Bu konuşma, TensorFlow veri işlemeyi ölçeklendirmek için tf.data araçlarını sunar. Özellikle: tf.data işlem hattınızın bir makine kümesinde çalışmasına izin veren tf.data hizmeti ve birden çok çağrıda yeniden kullanım için sonuçları diske aktaran tf.data.snapshot.

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

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

Chris Mattmann, JPL'nin Bilişim Kurulu Başkanı Ofisindeki İnovasyon Deneyimi Merkezi'nin, Daha Akıllı Geziciler, Daha Akıllı Bir Kampüs ve daha fazlası için TensorFlow kullanarak gelişmiş analitiği, yapay zekayı ve Makine Öğrenimini nasıl desteklediğini açıklayacak!

TensorFlow ekip üyelerimiz sohbette gerçek zamanlı olarak yanıt vereceğinden lütfen canlı yayındaki LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, canlı yayında birkaç soruyu yanıtlayacağız.

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

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

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

TensorFlow Enterprise, Google Cloud'da TensorFlow'da yapılan bir dizi iyileştirmeyle TensorFlow uygulamalarınızı kurumsal kullanıma hazır hale getirir. Prototipten üretime kadar iş açısından kritik ML uygulamalarının geliştirilmesini basitleştirirken Bulut ölçekli veri ve modellerin kilidini açar. Birlikte, üretimde kurumsal makine öğreniminin en zor kısmını çözüyoruz.

ML'yi cep telefonlarına ve yerleşik cihazlara nasıl dağıtacağınızı öğrenin. Artık üretimdeki milyarlarca cihaza dağıtılıyor - mobil ve mikro denetleyiciler için dünyanın en iyi platformlar arası ML çerçevesi. Yeni heyecan verici duyurularımız için bizi takip edin.

Jacquard, sıradan, tanıdık nesneleri alıp orijinal amaçlarına sadık kalarak yeni dijital yetenekler ve deneyimlerle zenginleştiren, makine öğrenimi destekli bir ortam bilgi işlem platformudur. Günlük giysilere ve aksesuarlara sorunsuz bir şekilde entegre olan, kaynakları kısıtlı makine öğrenimi modellerini nasıl eğittiğimizi ve devreye aldığımızı açıklayacağız; En sevdiğiniz ceket, sırt çantası veya giymeyi sevdiğiniz bir çift ayakkabı gibi.

TensorFlow.js, tarayıcılarda veya mobil cihazlar, WeChat mini uygulama platformu ve Raspberry Pi gibi Javascript'in çalışabileceği herhangi bir yerde makine öğrenimi modellerini 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.

TensorFlow ekip üyelerimiz sohbette gerçek zamanlı olarak yanıt vereceğinden lütfen canlı yayındaki LiveChat özelliğinden yararlanın. Canlı yayında ek zamanımız olursa, canlı yayında birkaç soruyu yanıtlayacağız.

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

Makine öğrenimi, adalet ve mahremiyet hakkında düşünmek için bir çerçeve sunmak. Bu konuşma, hakkaniyete duyarlı bir makine öğrenimi iş akışı önerecek, Adillik Göstergeleri gibi TensorFlow araçlarının önyargıyı tespit etmek ve azaltmak için nasıl kullanılabileceğini gösterecek ve ardından, katılımcıları birkaç altyapı parçasından geçirecek gizlilikle ilgili belirli bir vaka çalışmasına geçecektir. Bu, bir modeli mahremiyeti koruyan bir şekilde eğitmeye yardımcı olabilir.

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