Local blog for Italian speaking developers
Riepilogo del TensorFlow Dev Summit 2019
13 marzo 2019
Pubblicato da Fred Alcober e
Sandeep Gupta
, a nome del team di TensorFlow
TensorFlow ha tenuto il 6 e 7 marzo 2019 il suo terzo
Summit annuale degli sviluppatori
, in più grande in assoluto, a Sunnyvale, in California. All'evento hanno partecipato circa 1.000 appassionati di machine learning ed
è stato seguito in livestream
da altre decine di migliaia.
Nei tre anni dal lancio, TensorFlow è cresciuto fino a diventare un intero ecosistema di machine learning (ML) end-to-end, contribuendo a potenziare la rivoluzione ML che ci circonda. È stato scaricato oltre 41 milioni di volte e vanta oltre 1.800 contributori da tutto il mondo. TensorFlow come piattaforma ML completa sta aiutando un gruppo eterogeneo di professionisti, ricercatori e nuovi utenti a creare nuove incredibili soluzioni per risolvere problemi complessi con l'AI. Ad esempio:
alcuni studenti a Delhi hanno creato un'applicazione mobile per il
rilevamento delle variazioni nella qualità dell'aria
alcuni ingegneri di Twitter stanno
mostrando ai loro utenti i contenuti più pertinenti
alcuni fisici medici di GE Healthcare stanno rendendo
la RM più riproducibile e precisa
Nel corso del summit per gli sviluppatori, abbiamo annunciato la
versione alpha di TensorFlow 2.0
, che segna l'inizio dell'era TensorFlow 2.0 e mette a disposizione le potenti capacità di TensorFlow a un maggior numero di sviluppatori e ricercatori, rendendo più semplice che mai la creazione e l'utilizzo di ML. Abbiamo inoltre annunciato nuove partnership e iniziative formative con O'Reilly Media, Udacity, Deeplearning.ai su Coursera e fast.ai per favorire la collaborazione open source e formare la prossima generazione di nuovi utenti. Inoltre, dopo aver ascoltato la nostra community, abbiamo aggiornato interamente la documentazione degli sviluppatori e riprogettato
tensorflow.org
per rendere ancora più facile l'accesso a risorse e informazioni.
Oltre agli aggiornamenti tecnici del team di TensorFlow, abbiamo ascoltato molti dei nostri utenti che, in una serie di brevi presentazioni, ci hanno mostrato applicazioni sorprendenti. Abbiamo anche organizzato hacker room, sessioni di approfondimento e workshop in cui i partecipanti hanno interagito con il team di TensorFlow, ottenuto risposte alle domande, acquisito nuove conoscenze e condiviso informazioni.
Di seguito sono riportati i punti salienti e gli annunci chiave dell'evento.
Facilità di utilizzo
In TensorFlow 2.0, l'obiettivo principale è stato rendere l'API più semplice, intuitiva e naturale per tutti gli utenti. Stiamo migliorando l'integrazione dei componenti API con tf.keras in quanto high-level API consigliata per la maggior parte degli utenti. Ciò consentirà agli sviluppatori di passare molto più facilmente dall'importazione dati alla trasformazione, alla creazione del modello, all'addestramento e al salvataggio, fino alla distribuzione. Abbiamo lanciato
TensorFlow Datasets
, una raccolta di set di dati ML comunemente usati, preparati per poter essere facilmente utilizzati in TensorFlow.
Alcuni sviluppatori di Roma, che hanno appena iniziato a usare il ML, stanno utilizzando TensorFlow per
aiutare i paleografi a decifrare manoscritti medievali
Insieme alla versione alpha TensorFlow 2.0, sono ora disponibili
strumenti di conversione e migrazione
e documentazione per facilitare la transizione dal codice per la versione 1.x a quello per la 2.0. Queste e molte altre risorse, esempi e casi di studio su TensorFlow sono consultabili sul nuovo sito web
tensorflow.org
.
Potere di sperimentare e inventare
TensorFlow sta accelerando la ricerca allo stato dell'arte, fornendo ai ricercatori la flessibilità di prototipare rapidamente le loro idee, provare molti esperimenti e iterare. Con le nuove funzionalità di TensorFlow 2.0, come Eager Execution per impostazione predefinita, i flussi di controllo intuitivi di Python, l'ottimizzazione automatica del codice Eager con tf.function e la messaggistica degli errori notevolmente migliorata, stiamo migliorando l'esperienza di sviluppo dei ricercatori.
I ricercatori del NERSC presso il Lawrence Berkeley National Laboratory, Oak Ridge National Laboratory e NVIDIA hanno vinto il Gordon Bell Prize per aver scalato con successo un'applicazione di deep learning sul supercomputer Summit utilizzando TensorFlow
per studiare gli effetti di condizioni climatiche estreme
Anche la ricerca su larga scala nel machine learning richiede una enorme quantità di calcolo parallelo. Dallo scorso anno, abbiamo più che raddoppiato l'accelerazione dell'addestramento su 8 V100. Utilizzando una Cloud TPU v2, abbiamo aumentato le prestazioni di 1,6 volte e, con l'accelerazione Intel MKL, abbiamo migliorato la velocità di inferenza di oltre 3 volte. Ottenere prestazioni eccezionali "pronte all'uso" è un aspetto fondamentale di TensorFlow 2.0 e una parte chiave dei nostri progressi verso la versione definitiva.
L'ecosistema TensorFlow include una vasta raccolta di
componenti aggiuntivi molto potenti
che espandono TensorFlow in modi nuovi e utili. Alcuni dei componenti aggiuntivi descritti includono:
TensorFlow Federated
: una libreria per l'addestramento federato per sfruttare i dati decentralizzati
annunciata
nel corso dell'evento
TensorFlow Privacy
: una libreria in fase di sviluppo con strumenti per facilitare
l'addestramento di modelli con privacy differenziale
TensorFlow Probability
: libreria per l'utilizzo di metodi probabilistici in modelli ML per fare previsioni relative all'incertezza e incorporare la conoscenza dell'ambiente applicativo
TensorFlow Agents
: libreria per l'addestramento di rinforzo in TensorFlow 2.0
Progressi nell'elaborazione di testi e sequenze come il supporto per
testo Unicode
e il
nuovo tipo RaggedTensor
per i dati con forme non uniformi
Mesh TensorFlow
: una potente libreria per i ricercatori per creare e addestrare modelli massicciamente su larga scala usando tecniche di parallelismo
Sonnet
da
DeepMind
: un esempio di come i laboratori di ricerca possono creare le proprie librerie partendo dal framework modulare ed estensibile di TensorFlow
Produzione su qualsiasi piattaforma con qualsiasi lingua
Portare i modelli dalla fase di ricerca a quella di produzione è sempre stato un punto di forza e un elemento di attenzione per TensorFlow. Utilizzando TensorFlow, è possibile distribuire modelli su un vasto numero di piattaforme come server, nella cloud, su dispositivi mobili e altri dispositivi edge, browser e molte altre piattaforme Javascript.
Gli ingegneri di Airbnb stanno utilizzando TensorFlow
per classificare con precisione le milioni di immagini di abitazioni caricate ogni giorno su larga scala
TensorFlow per la produzione
TensorFlow Extended (TFX)
mette nelle mani dei nostri utenti la gestione dell'intero ciclo di vita del machine learning. Dispone di diverse librerie di componenti e abbiamo annunciato nuove funzionalità ma, soprattutto, il nuovo supporto per l'orchestrazione mette a disposizione degli utenti una piattaforma end-to-end integrata (vedi un esempio
qui
). Con il supporto per il tuo orchestrator, i componenti TFX si integrano con un archivio di metadati. Questo archivio tiene traccia di tutte le esecuzioni dei componenti, degli artefatti inseriti in essi e di quelli prodotti, consentendo in tal modo di utilizzare funzionalità avanzate come il tracciamento degli esperimenti, il confronto dei modelli, ecc. che miglioreranno notevolmente i casi di utilizzo in produzione.
TensorFlow per dispositivi mobili e IoT
TensorFlow Lite
, la nostra soluzione per l'esecuzione di modelli su sistemi mobili e integrati, è esplosa a livello globale e ora è utilizzata su oltre 2 miliardi di dispositivi mobili, facendo da apripista per la prossima generazione di ML su dispositivi. Aiuta gli utenti a risolvere
casi d'uso
come ad esempio la generazione di testi predittivi, la classificazione delle immagini, il rilevamento di oggetti, il riconoscimento audio, la sintesi vocale e il riconoscimento speech to text, la segmentazione video e il rilevamento di bordi, solo per citarne alcuni.
Durante l'evento, è stato descritto come aziende Internet globali come Alibaba XianYuin e Netease utilizzano TensorFlow Lite per offrire agli utenti esperienze migliori con le applicazioni. Abbiamo anche parlato delle
incredibili prestazioni in termini di ML
di TensorFlow Lite e di come stia potenziando l'uso del ML in applicazioni ammiraglie di Google come Ricerca, Assistente, Foto e Pixel.
Sono stati apportati importanti miglioramenti alle funzionalità generali di usabilità e conversione dei modelli di TensorFlow Lite, oltre a una maggiore attenzione su
ottimizzazione (ovvero, quantizzazione)
e
prestazioni (ovvero, accelerazione GPU)
. Abbiamo anche mostrato come TensorFlow Lite stia alimentando il machine learning su edge e IoT su piattaforme come
TPU Corallo
e
schede microcontrollore
(MCU).
TensorFlow per JavaScript
JavaScript è uno dei linguaggi di programmazione più utilizzati e
TensorFlow.js
mette l'ML a disposizione dei suoi sviluppatori. Dal lancio, l'adozione della community è stata enorme, con oltre 300.000 download e 100 contributori. Nel corso del summit, abbiamo annunciato
TensorFlow.js versione 1.0
. Le principali funzionalità di questa versione includono miglioramenti significativi delle prestazioni (MobileNet v1 è 9 volte più veloce nel browser per l'inferenza rispetto allo scorso anno), molti nuovi modelli disponibili per gli sviluppatori web da incorporare nelle applicazioni e il supporto per un maggior numero di piattaforme su cui viene eseguito JavaScript. Aziende come AirBnb e Uber, tra le altre, stanno utilizzando TensorFlow.js negli ambienti di produzione e stiamo assistendo a nuovi sorprendenti casi di utilizzo che quotidianamente vengono condivisi nella
galleria
della community dedicata ai progetti TensorFlow.js.
Oltre alla distribuzione, TensorFlow.js può essere utilizzato per creare e addestrare modelli di machine learning direttamente in JavaScript sia nel browser che nel supporto Node.js.
Swift per TensorFlow
Abbiamo anche condiviso i progressi fatti con il nuovo pacchetto
Swift per TensorFlow
. Con la versione 0.2 appena rilasciata, gli utenti noteranno maggiore usabilità e potranno provare questo nuovo paradigma ML. Per facilitare l'utilizzo di Swift, abbiamo lanciato un nuovo corso di machine learning usando
Swift per TensorFlow di fast.ai
.
Impegno per la crescita della community
Il successo di TensorFlow è in gran parte dovuto alla sua incredibile community di utenti e sviluppatori in continua crescita. Abbiamo sviluppato TensorFlow 2.0 in stretta collaborazione con la community, tramite un
processo RFC
aperto, molti nuovi Special Interest Group e basandoci su feedback e test della nostra
community di Google Developer Expert
.
Abbiamo lanciato una nuova campagna,
#PoweredByTF
, e ogni giorno scopriamo nuovi e incredibili progetti realizzati dai nostri utenti. Abbiamo annunciato il programma
Google Summer of Code
, in cui gli studenti possono candidarsi per venire a lavorare con il team tecnico di TensorFlow e mettere in pratica le loro conoscenze sullo sviluppo. Stiamo anche lanciando una nuova Powered by TF Challenge ospitata su
DevPost
, dedicata agli utenti per consentire loro di creare e condividere i loro progetti migliori e più recenti con TensorFlow 2.0.
Risorse didattiche ben progettate sono fondamentali per la democratizzazione e l'adozione del machine learning. Abbiamo annunciato due nuove risorse didattiche per consentire a principianti e studenti di iniziare a utilizzare TensorFlow con maggiore facilità. Il primo è il corso 1 di deeplearning.ai: "
Intro to TensorFlow for AI, ML and DL
", parte della serie TensorFlow: from Basics to Mastery ospitata su Coursera. Il secondo è di Udacity,
Intro to TensorFlow for Deep Learning
. Entrambi i corsi sono pensati per gli sviluppatori, non richiedono alcuna esperienza di machine learning precedente e sono già disponibili.
Infine, abbiamo annunciato
TensorFlow World
, una nuova conferenza della durata di una settimana dedicata alla promozione della collaborazione open source e di tutto ciò che riguarda TensorFlow. Questa conferenza, organizzata da O'Reilly Media e TensorFlow, si terrà a Santa Clara, in California, nella settimana del 28 ottobre. Il nostro obiettivo è quello di riunire l'incredibile mondo di TensorFlow e dare l'opportunità a tutti di conoscersi e scambiare idee.
L'invito a presentare proposte
è aperto ai partecipanti, che possono presentare progetti interessanti con TensorFlow, o alle aziende che desiderino mostrare le soluzioni realizzate usando TensorFlow. Non vediamo l'ora di vederti lì!
Noi di Google
siamo convinti
che la ricerca e le applicazioni sull'AI avanzeranno più velocemente quando tutti gli utenti avranno accesso agli strumenti migliori e tutti potranno fornire il loro contributo. L'obiettivo di TensorFlow è mettere a disposizione degli utenti ML gli strumenti necessari. Ci impegniamo a lavorare con la community per rendere TensorFlow facile per tutti e
promuovere concretamente l'utilizzo dell'AI
!
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly