Di Marcus Chang, Developer Relations Program Manager
A settembre, il team di TensorFlow ha tenuto due giorni di conferenze incentrate su TensorFlow in occasione della O'Reilly AI Conference di San Francisco, trattando vari argomenti tra cui TensorFlow Lite, TensorFlow.js, TFX (Extended) e Hub, Distributed TensorFlow e molti altri! Le registrazioni delle sessioni possono ora essere visualizzate sul nostro canale YouTube TensorFlow.
Visualizza l'intera playlist qui.
Sessioni:
Costruire l'intelligenza artificiale con TensorFlow: panoramica
TensorFlow è uno dei più grandi progetti open source al mondo e adozione e funzionalità sono in continua crescita. Abbiamo condiviso importanti sviluppi recenti ed evidenziato alcune indicazioni future, oltre a illustrare come poter essere maggiormente coinvolti nella community TensorFlow.
TensorFlow: machine learning per programmatori
In questa conferenza, Laurence Moroney di Google ha parlato di machine learning, AI, deep learning e altro, e di come queste tecnologie si integrino nel kit di strumenti per i programmatori. Ha presentato le varie soluzioni, descrivendole in dettaglio, per mostrare le opportunità disponibili nel machine learning. Ha anche introdotto TensorFlow e spiegato che si tratta di un framework progettato per rendere il machine learning facile e accessibile e di come le app intelligenti che utilizzano il machine learning possano essere eseguite in vari ambienti, tra cui dispositivi mobili, Web e IoT.
TensorFlow per JavaScript
TensorFlow.js è la versione JavaScript di TensorFlow rilasciata di recente che viene eseguita nel browser e in Node.js. In questa conferenza, il team ha introdotto il framework di machine learning TensorFlow.js e ha dimostrato come eseguire il flusso di lavoro completo di machine learning, inclusi la formazione, la distribuzione lato client e il transfer learning.
Swift per TensorFlow
Swift per TensorFlow combina la flessibilità di Eager Execution con le alte prestazioni di Graphs e Sessions. Dietro le quinte, Swift analizza il codice Tensor e crea automaticamente grafici. Inoltre, Swift rileva errori di tipo e mancate corrispondenze di forma prima dell'esecuzione del codice, ha la capacità di importare qualsiasi libreria Python e ha una differenziazione automatica integrata nel linguaggio. Riteniamo che gli strumenti di machine learning siano così importanti da meritare un linguaggio e un compilatore di prim'ordine.
TensorFlow Lite
TensorFlow Lite è un framework di machine learning leggero che può eseguire inferenze su diversi dispositivi mobili e di piccole dimensioni (da telefoni cellulari, Raspberry Pis e microcontroller). Fornisce inoltre una semplice astrazione che consente di accedere agli acceleratori di AI. Il team ha illustrato le basi dei framework, dallo stato attuale di sviluppo agli ultimi progressi. In questa sessione imparerai come preparare il tuo modello per dispositivi mobili e come scrivere codice che lo esegua su piattaforme diverse.
TensorFlow Extended (TFX) e Hub
In questa sessione il team ha introdotto TensorFlow Extended (TFX), la piattaforma di machine learning end-to-end per TensorFlow che alimenta i prodotti di Alphabet. Poiché il machine learning si sta evolvendo, dalla sperimentazione al serving di carichi di lavoro di produzione, aumenta anche la necessità di gestire in modo efficace il flusso di lavoro di formazione e produzione end-to-end, compresa la gestione dei modelli, il controllo delle versioni e il serving.
Cloud TPU
Questa conferenza è un approfondimento tecnico sugli acceleratori Cloud TPU di Google e su come programmarli. Tratta inoltre le astrazioni di programmazione che consentono di eseguire i modelli su CPU, GPU e Cloud TPU, da singoli dispositivi fino a interi pod Cloud TPU.
TensorFlow Autograph
TensorFlow AutoGraph converte automaticamente codice Python semplice nei suoi equivalenti TensorFlow, utilizzando la trasformazione del codice sorgente. Il nostro approccio è complementare al nuovo progetto TensorFlow Eager e consentirà di utilizzare lo stile imperativo della modalità Eager, pur mantenendo i vantaggi della modalità grafico. Utilizzando la conversione automatica del codice, gli sviluppatori possono scrivere codice più conciso, efficiente e solido.
TensorFlow Probability
TensorflowProbability (TFP) è una libreria TF/Python che offre un approccio moderno agli strumenti di probabilità/statistici emergenti e tradizionali. Statisti/data scientist di dati troveranno funzionalità simili al linguaggio R che sfruttano in modo naturale l'hardware moderno. I ricercatori/professionisti del machine learning troveranno potenti building block per la specifica e il deep learning di modelli probabilistici. In questa conferenza, vengono presentate le astrazioni TFP principali e verranno dimostrate alcune delle caratteristiche di modellazione e convenienza.
Deep learning per le scienze fondamentali utilizzando il calcolo ad alte prestazioni
Le scienze fondamentali (compresa la fisica delle particelle e la cosmologia) generano exabyte di dati da strumenti complessi e li analizzano per scoprire i segreti dell'universo. Il deep learning consente di utilizzare direttamente dati di strumenti di dimensioni maggiori rispetto a quanto fosse possibile in precedenza, migliorando così la probabilità di nuove scoperte. In questa conferenza, il nostro relatore ospite Wahid Bhimji (NERSC) descrive la recente attività in questo campo, in particolare quella del NERSC, il centro di supercomputing per le scienze fondamentali negli Stati Uniti, con sede al Berkeley National Lab. Questo lavoro utilizza e si basa su Tensorflow per esplorare nuovi metodi e applicazioni, sfrutta scale di calcolo ad alte prestazioni e fornisce ambienti di deep learning produttivi per gli scienziati delle scienze fondamentali.
Tensor2Tensor
Tensor2Tensor è una libreria di modelli e set di dati di deep learning che facilita la creazione di modelli all'avanguardia per un'ampia varietà di applicazioni di machine learning, come traduzione, analisi, didascalie e altro, consentendo l'esplorazione di varie idee molto più velocemente di quanto fosse possibile in precedenza.
TensorFlow distribuito
Questa conferenza dimostra come eseguire una formazione TensorFlow distribuita usando le API di alto livello di Keras. Il team ti guida attraverso l'architettura distribuita di TensorFlow, come configurare un cluster distribuito utilizzando Kubeflow e Kubernetes e come distribuire i modelli creati in Keras.
