Local blog for Italian speaking developers
Riepilogo TensorFlow al Google I/O ’19
14 giugno 2019
Pubblicato da Marcus Chang, Program Manager
Dal 7 al 9 maggio, sono stati 13 gli interventi specifici su AI e machine learning tenuti all'I/O 2019. TensorFlow è stato ben rappresentato con sessioni su 2.0, AI per dispositivi mobili e IoT, Swift for TensorFlow, TensorFlow Extended, TensorFlow.js, TensorFlow Graphics e molto altro! Questo post contiene un elenco di tutti gli interventi e i relativi collegamenti.
Le sessioni registrate possono ora essere visualizzate sul canale YouTube di TensorFlow
(l'intera playlist è disponibile
qui
).
Machine Learning on Your Device: The Options
Gli sviluppatori hanno a disposizione una moltitudine spesso confusa di opzioni per l'utilizzo del machine learning per migliorare le app per dispositivi mobili e i dispositivi edge. Questa sessione ha demistificato queste opzioni, mostrando come poter utilizzare TensorFlow per addestrare i modelli e come utilizzare questi modelli su un'ampia gamma di dispositivi con TensorFlow Lite.
Getting Started with TensorFlow 2.0
TensorFlow 2.0 is here! In questo intervento verranno presentati alcuni esempi per principianti ed esperti e verranno analizzate alcune delle differenze tra TensorFlow 1.0 e 2.0.
Swift for TensorFlow
Swift for TensorFlow è una piattaforma per la nuova generazione di machine learning che sfrutta innovazioni come la programmazione differenziata di prima classe per integrare perfettamente le reti neurali profonde con lo sviluppo di software tradizionale. Scopri come Swift per TensorFlow può rendere più semplice la ricerca avanzata nel machine learning e perché fast.ai di Jeremy Howard lo ha scelto per la più recente iterazione del loro corso di deep learning.
AI for Mobile and IoT devices: TensorFlow Lite
Immagina di creare un'app che continui ad acquisire i comandi vocali quando il telefono è offline o che identifichi i prodotti in tempo reale con la fotocamera. Scopri come integrare l'AI in qualsiasi dispositivo utilizzando TensorFlow Lite, senza che sia richiesta alcuna esperienza di ML. Scopri una libreria di modelli preaddestrati pronti all'uso nelle tue app o personalizzali in base alle tue esigenze. Vedrai quanto velocemente puoi aggiungere ML alle app Android e iOS.
TensorFlow Extended (TFX): ML Pipelines and Model Understanding
Questo intervento è incentrato sulla creazione di una pipeline ML di produzione utilizzando TFX. Gli sviluppatori TFX possono implementare pipeline ML in grado di elaborare set di dati di grandi dimensioni sia per la modellazione che per l'inferenza. Oltre al data wrangling e al feature engineering su set di dati di grandi dimensioni, TFX consente un'analisi dettagliata dei modelli e il controllo delle versioni. Questa sessione si concentra sull'implementazione di una pipeline TFX e tratta gli argomenti più comuni relativi alla comprensione dei modelli.
Machine Learning magic for your JavaScript application
TensorFlow.js è una libreria per l'addestramento e l'implementazione di modelli ML nel browser e in Node.js e offre opportunità uniche per gli sviluppatori JavaScript. Scopri maggiori informazioni sull'ecosistema TensorFlow.js: come portare un modello ML esistente nella tua app JS, ri-addestrare il modello usando i tuoi dati e andare oltre il browser verso altre piattaforme JS.
Federated Learning: Machine Learning on decentralized data
Apprendimento federato: una tecnologia per l'addestramento e la valutazione di modelli di machine learning su un'ampia gamma di dispositivi (ad esempio cellulari Android), orchestrati da un server centrale, senza che dati sensibili sull'addestramento lascino il dispositivo dell'utente. Scopri come questa tecnologia che protegge la privacy viene distribuita in produzione nei prodotti Google e come TensorFlow Federated può consentire a ricercatori e pionieri di simulare l'apprendimento federato sui propri set di dati.
Cloud TPU Pods: AI supercomputing that solves large ML problems
Cloud Tensor Processing Unit (TPU) è un ASIC progettato da Google per l'elaborazione delle reti neurali. Le TPU dispongono di un'architettura specifica per il dominio progettata specificamente per accelerare i carichi di lavoro di addestramento e previsione di TensorFlow e offre vantaggi in termini di prestazioni sull'utilizzo in produzione del machine learning. Scopri i dettagli tecnici di Cloud TPU e Cloud TPU Pod e le nuove funzionalità di TensorFlow che consentono un parallelismo di modelli su larga scala per l'addestramento nel deep learning.
Machine Learning Fairness: Lessons Learned
L'equità è una considerazione chiave nello sviluppo del machine learning. Questa sessione ha presentato alcune lezioni apprese da Google attraverso i nostri prodotti, la ricerca e il modo in cui gli sviluppatori possono applicare queste informazioni nelle loro iniziative. Viene presentata una serie di tecniche che consentiranno la valutazione e il miglioramento delle prestazioni dei modelli e le risorse, come set di dati e Tensorflow Model Analysis, a loro disposizione. Questo intervento incoraggia gli sviluppatori a pensare in modo proattivo all'equità nello sviluppo dei prodotti.
Machine Learning Zero to Hero
Questo intervento è destinato a chi sa programmare, ma non conosce necessariamente il ML. Scopri il "nuovo" paradigma del machine learning e come i modelli sono un'implementazione alternativa per alcuni scenari logici, in contrasto con la scrittura di regole if/then e di altro codice. Questo riepilogo ti guida attraverso la comprensione di molti dei nuovi concetti del ML che potresti non conoscere, tra cui modalità Eager, loop di addestramento, ottimizzatori e Loss Function.
TF-Agents: A Flexible Reinforcement Learning Library for TensorFlow
TF-Agents è una libreria open source pulita, modulare e ben collaudata per Deep Reinforcement Learning con TensorFlow. In questa sessione sono stati descritti i recenti progressi in Deep RL ed è stato mostrato come TF-Agents possa aiutarti ad avviare rapidamente il tuo progetto. Vedrai anche come i componenti della libreria TF-Agent possono essere combinati, abbinati ed estesi per implementare nuovi algoritmi RL.
Cutting Edge TensorFlow: New Techniques
TensorFlow offre tantissime novità in più rispetto all'IO dello scorso anno. Questo riepilogo ti presenterà le 4 novità principali, dall'Hyperparameter Tuning con Keras Tuner al Probabilistic Programming, per essere in grado di classificare i tuoi dati con le tecniche di ranking apprese e TF-Ranking. Infine, vedrai TF-Graphics che introducono le funzionalità 3D in TensorFlow.
Introducing Google Coral: Building on-device AI
Questa sessione ha introdotto Google Coral, una nuova piattaforma per lo sviluppo di applicazioni AI su dispositivo e ha mostrato la sua potenza di accelerazione ML con demo di TensorFlow. Coral ti offre gli strumenti per implementare l'accelerazione delle reti neurali privata, veloce ed efficiente direttamente sul tuo dispositivo e ti consente di portare l'idea della tua applicazione AI dal prototipo alla produzione. Scopri le specifiche tecniche degli strumenti hardware e software Edge TPU e il processo di sviluppo delle applicazioni.
In occasione dell'I/O, TensorFlow.js e TensorFlow Lite hanno inoltre ospitato stazioni demo nella sandbox ML/AI per mostrare le novità e rispondere alle domande dei partecipanti che hanno visitato la "cupola" durante i 3 giorni dell'evento!
https://medium.com/media/7cfb6ca9e9c0194e818b1b4ea45d5534/href
Con
TensorFlow.js
puoi portare la potenza del ML nelle tue applicazioni JavaScript utilizzando uno dei tanti
modelli preconfezionati
, iniziare con modelli precedentemente addestrati e usare
il trasferimento dell'apprendimento
per personalizzarli in base ai tuoi dati e distribuirli nel browser o lato server tramite
Node.js
. Per iniziare, consulta le
demo, gli esempi
e
i tutorial
.
TensorFlow Lite ti aiuta a portare l'AI in app per dispositivi mobili e dispositivi edge! Per saperne di più, visita
tensorflow.org/lite
. Scopri le nostre
app di esempio Android e iOS
, scarica i modelli ML
pre-addestrati ottimizzati per dispositivi mobili
o scopri di più
sul ML sui microcontroller
.
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