گردهمایی 2017 توسعه دهندگان TensorFlow

گوگل همه ساله در گردهمایی توسعه دهندگان و در بخش ویژه توسعه دهندگان TensorFlow اقدام به معرفی آخرین قابلیت های محصولات حوزه یادگیری ماشین توسط این کتابخانه می نماید. در این صفحه می توانید ارایه های صورت گرفته در این گردهمایی مربوط به سال 2017 را به صورت کامل مشاهده نمایید.

 

01 – سخنرانی آغازین

9:35-10:10am
جف دین، رائد مونگا و مگان کاکولیا سخنرانی اصلی را در اجلاس سالیانه توسعه دهندگان TensorFlow برگزار می کنند. برخی از بحث های مطرح شده در این اجلاس: – ریشه های TensorFlow – پیشرفت از راه اندازی منبع باز TensorFlow – رشد منبع باز منبع TensorFlow – عملکرد TensorFlow و مقیاس پذیری – برنامه های TensorFlow در سراسر جهان و به اشتراک گذاری برخی از اطلاعیه های هیجان انگیز!

02 – XLA

10:10-10:55am
سرعت برای یادگیری ماشین کارآمد مهم است و XLA برای کاهش زمان تمرین و استنتاج طراحی شده است. در این گفتگو، کریس لیری و تاد وانگ توضیح می دهند چگونه TensorFlow می تواند از XLA، JIT، AOT، و دیگر کامپایلرها فنی برای به حداقل رساندن زمان اجرا و به حداکثر رساندن منابع محاسباتی استفاده کند

03 – کار با TensorBoard

11:00-11:20am
در این گفتگو با Ganelion Mane همراه شوید زیرا همه چیزهای شگفت انگیز را که می توانید با TensorBoard انجام دهید نشان می دهد. شما نحوه ترسیم نمودار TensorFlow خود، نظارت بر عملکرد و نحوه نمایش مدل ها از اطلاعات خود را خواهید آموخت.

04 – API سطح بالا

11:20-11:35am
TensorFlow به شما این امکان را می دهد که مدل ها را با استفاده از انتزاع های کم و همچنین سطح بالا تعریف کنید. در این سخنرانی، مارتین ویکه لایه ها، برآوردگرها و پیش بینی های تهیه شده را برای تعریف مدل ها معرفی می کند.

05 – تلفیق دو تکنولوژی

11:35-11:50am
هدف Keras این است که یادگیری عمیق برای همه قابل دسترسی باشد و همچنین یکی از سریعترین چارچوبهای یادگیری ماشین است. Francois Chollet، بنیانگذار اولیه Keras، به عنوان نشان می دهد که چگونه Keras را می توان در Tensorflow از طریق یک مثال QA ویدئو استفاده کرد.

06 – TensorFlow در DeepMind

12:10-12:30pm
در این گفتگو، دانیل از تیم Applied DeepMind درباره DeepMind و TensorFlow صحبت می کند. او در رابطه با اهمیت انتخاب پلتفرم، انتخاب تیم برای مهاجرت به TensorFlow توضیح میدهد، و تعدادی از نمونه هایی که DeepMind از TensorFlow استفاده کرده است را نشان می دهد.

07 – سرطان پوست

12:30-12:40pm
با Brett Kuprel همراه شوید و ببینید چگونه TensorFlow توسط آزمایشگاه هوش مصنوعی و مدرسه پزشکی Stanford برای طبقه بندی تصاویر سرطان پوست استفاده می شود. او مراحل پروژه را توصیف می کند: از به دست آوردن یک مجموعه داده، آموزش یک شبکه عمیق تا ارزیابی نتایج.

08 – موبایل و تنسورفلو

12:40-1:10pm
آیا می دانید که مدل های TensorFlow را می توان در برنامه های iOS و اندروید مستقر کرد و حتی در Raspberry Pi نیز اجرا کرد؟ در این بحث، پیت همه آن چیزهایی که شما باید بدانید تا این کار را انجام دهید ارایه می دهد.

09 – قابلیت های توزیع شده

2:10-2:40pm
TensorFlow به شما انعطاف پذیری می دهد تا از صد ها پردازنده گرافیکی استفاده کنید، این قابلیت این امکان را به کاربران میدهد تا از پارامترهای مختلف در جریان یادگیری استفاده نمایند. Derek Murray در این گفتگو به معرفی توزیع پذیری در TensorFlowمی پردازد

10 – اکوسیستم

2:40-3:10pm
تولید داده های ورودی، آموزش TensorFlow توزیع شده و ارائه مدل های مختلف شامل سایر اجزای زیرساخت هستند. Jonathan Hseu ادغام این مراحل را توضیح میدهد

11 – مدل های ارایه خدمات

3:10-3:30pm
خدمت رسانی، استفاده از یک مدل آموزش دیده در برنامه شما می باشد. Noah Fiedel در این گفتگو سرویس TensorFlow Serving را توصیف می کند، سیستم خدمت رسانی انعطاف پذیر و کارآمد ML که برای محیط های تولید طراحی شده است.

12 – جعبه ابزار

3:30-3:45pm
Tensorflow یک چارچوب بسیار قدرتمند است، اما در عین حال یک بسته آماده برای تسریع کارها را کم دارد. Ashish Agarwal در این گفتگو یک ابزار الگوریتمی را معرفی می کند که گامی در این جهت می گذارد.

13 – مدل های ترتیبی

4:05-4:35pm
در این گفتگو، Eugene Brevdo در مورد ایجاد مدل های ترتیبی با انعطاف پذیر و کارایی بالا بحث خواهد کرد.

14 – مدل های عظیم

4:35-4:50pm
مدل های عظیم برای حفظ و تعمیم عالی هستند – چرا آنها را برای ایجاد مدل های حتی بهتر بهتر نمی سازند؟ Heng-Tze Cheng در این گفتگو شبکه گسترده و عمیق را توضیح می دهد و نمونه هایی از چگونگی استفاده از آن را ارائه می کند.

15 – Magenta

4:50-5:00pm
استفاده از TensorFlow برای ایجاد موسیقی و هنر – این چیزی است که Magenta روی آن کار میکند. با داگلاس ایک که تولید هنر و موسیقی را با شبکه های عمیق و یادگیری تقویت می کند همراه شوید.