Local blog for Indonesian speaking developers
Rekaman sesi TensorFlow dari O’Reilly AI Conference San Francisco 2018
20 November 2018
Oleh Marcus Chang, Developer Relations Program Manager
O’Reilly AI Conference, San Francisco
Pada bulan September, tim TensorFlow mempresentasikan dua hari pembicaraan terkait TensorFlow pada O’Reilly AI Conference di San Francisco yang mencakup topik meliputi TensorFlow Lite, TensorFlow.js, TFX (Extended) & Hub, Distributed TensorFlow, dan banyak lagi! Rekaman sesi sekarang tersedia di saluran YouTube TensorFlow kami bila Anda ingin melihatnya.
Lihat semua playlist
di sini
.
Sesi:
Mem-build AI dengan TensorFlow: Ringkasan
TensorFlow adalah salah satu project open source terbesar di dunia, dan tingkat adopsi serta fungsionalitasnya terus berkembang. Kami membagikan pengembangan utama terbaru dan memperjelas langkah-langkah pada masa mendatang, serta mendiskusikan bagaimana Anda bisa lebih terlibat dalam komunitas TensorFlow.
TensorFlow: Machine Learning untuk Programmer
Dalam pembicaraan ini, Laurence Moroney dari Google berbicara tentang Machine Learning, AI, Deep Learning, dan banyak lagi, serta bagaimana mereka cocok digunakan dengan toolkit programmer. Dia memperkenalkan semua hal ini, menjelaskan hype, untuk menunjukkan peluang yang tersedia dalam Machine Learning. Dia juga memperkenalkan TensorFlow, dan bagaimana framework-nya yang dirancang untuk menjadikan Machine Learning mudah dan bisa diakses, dan bagaimana aplikasi cerdas yang menggunakan ML dapat berjalan di berbagai platform termasuk seluler, web, dan IoT.
TensorFlow untuk JavaScript
TensorFlow.js adalah TensorFlow versi JavaScript yang baru saja dirilis yang berjalan di browser dan Node.js. Dalam pembicaraan ini, tim memperkenalkan framework ML TensorFlow.js, dan menunjukkan demo tentang cara melakukan alur kerja machine-learning lengkap, termasuk pelatihan, penerapan sisi klien, dan pembelajaran transfer.
Swift untuk TensorFlow
Swift untuk TensorFlow menggabungkan fleksibilitas Eager Execution dengan kinerja Grafik dan Sesi yang tinggi. Di belakang layar, Swift menganalisis kode Tensor dan secara otomatis mem-build grafik untuk Anda. Swift juga menangkap error ketik dan ketidakcocokan bentuk sebelum menjalankan kode Anda, memiliki kemampuan untuk mengimpor library Python, dan memiliki Diferensiasi Otomatis terintegrasi-bahasa. Kami percaya bahwa fitur machine learning sangat penting sehingga mereka layak mendapatkan compiler dan bahasa kelas satu.
TensorFlow Lite
TensorFlow Lite adalah framework machine-learning ringan yang bisa melakukan inferensi pada berbagai perangkat kecil dan seluler (dari ponsel, Raspberry Pi dan pengontrol mikro). Ini juga menyediakan abstraksi sederhana yang memungkinkan Anda untuk mengakses akselerator AI. Tim berbicara tentang dasar-dasar framework, status pengembangan saat ini dan pengembangan terbaru. Dalam sesi ini, Anda akan mempelajari konsep cara menyiapkan model untuk seluler, dan cara menulis kode yang mengeksekusinya di berbagai platform yang berbeda.
TensorFlow Extended (TFX) & Hub
Dalam sesi ini tim memperkenalkan TensorFlow Extended (TFX), platform machine learning end-to-end untuk TensorFlow yang mendukung semua produk di Alphabet. Seiring dengan berkembangnya machine learning dari eksperimen hingga melayani beban kerja produksi, begitu juga kebutuhannya untuk secara efektif mengelola alur kerja produksi dan pelatihan end-to-end termasuk manajemen model, pembuatan versi, dan penyajian.
Cloud TPU
Pembicaraan ini memberikan Anda pemahaman teknis yang mendalam mengenai akselerator Cloud TPU Google, serta cara memprogramnya. Ini juga mencakup abstraksi pemrograman yang memungkinkan Anda menjalankan model pada CPU, GPU, dan Cloud TPU, dari satu perangkat hingga seluruh pod Cloud TPU.
TensorFlow Autograph
TensorFlow AutoGraph secara otomatis mengonversi kode Python biasa menjadi TensorFlow yang setara, menggunakan transformasi kode sumber. Pendekatan kami bersifat komplementer dengan project Eager TensorFlow yang baru dan akan memperbolehkan penggunaan model imperatif dari mode Eager, selagi mempertahankan keuntungan mode grafik. Dengan menggunakan konversi kode otomatis, developer bisa menulis kode yang lebih ringkas, efisien, dan kuat.
TensorFlow Probability
TensorflowProbability (TFP) adalah library TF/Python yang menawarkan pendekatan modern pada fitur probabilitas/statistik tradisional & yang baru muncul. Ahli statistik/data scientist akan menemukan kemampuan seperti-R yang secara natural memanfaatkan hardware modern. Peneliti/praktisi ML akan menemukan blok building yang kuat untuk menentukan dan mempelajari model probabilistik yang mendalam. Dalam pembicaraan ini, kami memperkenalkan abstraksi TFP inti dan mendemonstrasikan beberapa kemudahan dan kekuatan pemodelannya.
Deep learning untuk sains dasar menggunakan komputasi berkinerja tinggi
Sains dasar (termasuk fisika partikel dan kosmologi) menghasilkan data berukuran beberapa exabyte dari instrumen kompleks dan menganalisisnya untuk mengungkap rahasia alam semesta. Deep learning memungkinkan eksploitasi langsung data instrumen berdimensi lebih tinggi dari sebelumnya, sehingga meningkatkan sensitivitas penemuan baru. Dalam pembicaraan ini, pembicara tamu kami Wahid Bhimji (
NERSC
) menjelaskan aktivitas terbaru di bidang ini, terutama di NERSC, pusat superkomputer misi untuk sains dasar AS, yang berbasis di Berkeley National Lab. Pekerjaan ini memanfaatkan dan mem-build di Tensorflow untuk mengeksplorasi metode dan aplikasi baru; memanfaatkan skala komputasi berkinerja tinggi; dan menyediakan lingkungan deep learning yang produktif bagi para ilmuwan fundamental.
Tensor2Tensor
Tensor2Tensor adalah library dataset dan model deep learning, yang memfasilitasi pembuatan model terkini untuk berbagai aplikasi ML, seperti penerjemahan, penguraian kalimat, pemberian teks gambar dan banyak lagi, yang memungkinkan eksplorasi berbagai ide jauh lebih cepat daripada yang sebelumnya.
Distributed TensorFlow
Pembicaraan ini menunjukkan bagaimana melakukan pelatihan TensorFlow terdistribusi menggunakan API tingkat tinggi Keras. Tim akan menjelaskan arsitektur terdistribusi TensorFlow, cara menyiapkan kluster terdistribusi menggunakan Kubeflow dan Kubernetes, dan cara mendistribusikan model yang dibuat di Keras.
No comments :
Post a Comment
Subscribe
Labels
actions on google
admob
agency
amp
android
arcore
assistant
augmented reality
chrome
dialogflow
documentation
domains
doubleclick
firebase
flutter
gmail
google bisnisku
google cloud
google code-in
google design
google font
google for entrepreneurs
google io
google maps
google partners
google photos
google play
google sign-in
gsuite
ios
launchpad
launchpad accelerator
machine learning
material design
pagespeed
progressive web app
python
tensorflow
vr
web
Archive
2018
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2017
Dec
Nov
Oct
Sep
Aug
Jul
Jun
May
Apr
Mar
Feb
Jan
2016
Dec
Nov
Google
on
Follow @googledevsid
No comments :
Post a Comment