Keynote (TensorFlow Dev Summit 2017)YouTube↗  IA↗(long shot)
Science & Technology  116.3K views 1.1K likes 25 dislikes   15 Feb 2017
Google for Developers 2.7M subscribers United States YouTube↗


Please select the problem
You must specify your email and describe the problem in detail
Describe your problem in detail if it's not obvious

Click to Play Video Click to Play Video
[2017年 TensorFlow 開発者会議]
[MUSIC PLAYING]
はい ありがとうザック
JEFF DEAN: All right, thanks Zach.
皆さんご来場ありがとう ライブをご覧の皆さんもようこそ
And thank you all for coming, and welcome everyone
この TensorFlow 開発者会議に 心躍らせています
on the livesteam. We're really, really excited about the TensorFlow developer
約１年と少し前に TensorFlow をオープンソース化したとき
summit. So when we open sourced TensorFlow about a little bit
世界中の方々に機械学習プラットフォームを 構築することを強く望んでいました
more than a year ago, we really were hoping to build a machine learning platform
機械学習が
for everyone in the world.
さまざまなアプリや問題領域や 科学分野や産業に渡って
It's very clear that machine learning is going to be incredibly important across many, many different kinds of applications and problem domains across many fields of science,
非常に重要になることは明白です
across many industries.
そこで皆が共有し協力できる
And we wanted to build an open source platform that everyone
オープンソースプラットフォームを 構築しようとしました 高速で柔軟で すぐ稼働できるプラットフォームをです
could share and could contribute to that was fast, flexible,
それが TensorFlow を進化させ続けつつ 唱えている３つの目標です
and production-ready. And that's really the kind of three mantras that we've been working towards as we continue to evolve TensorFlow.
履歴を少しお話しましょう
But first, a bit of history.
私達のグループは深層学習の研究を 約５年半の間してきました
So our group has been doing deep learning research for about
構築した最初のシステムは DistBelief と呼ばれ
five, five and a half years. And the first system we built was called Disbelief.
この分野での初期のものとしては よく機能しました
And this was a system that worked well for us
2012 年 NIPS で DistBelief に関する論文を公表し
in our early work in this area. So we published a paper about Disbelief in NIPS 2012,
高評価を得ました
it was well received.
DistBelief には とても良い特性があり
Disbelief had a lot of really nice properties.
拡張性にも優れていたため 莫大な数のコンピュータで 大きく強力なモデルをトレーニングできました
It was very scalable, so we could train models in very large numbers of computers, we could train very large, powerful models.
それで Google で他の人達とも 多くの興味深い仕事をしました
We did a lot of interesting work with that, and so did other people at Google,
初期の Inception の画像に携わったり
including some of the early inception image
音声認識システムの改善のため 当チームと数多く共同したり
work, a lot of work with our speech recognition team to improve our speech recognition systems,
検索ランキングシステム改善のため 当チームと共同して
work with our search team to improve our search ranking
検索スタックの中間に ニューラルネットワークを配置したりしました
system by deploying neural nets in the middle of the search
しかし最終的には 現実問題での経験を重ねるにつれ
stack. But ultimately we realized that Disbelief was not
DistBelief は本当に望んでいたもの ではないことに気づきました
really exactly what we wanted as we got more experience with applying
研究開始時にデータセンターにあった CPU 向けに設計されたものだったからです
these kinds of problems. It was designed for CPUs because that's what we had in our data centers when we first
GPU サポートは 後に追加されましたがそれは脇役で
started this work. GPU support was added later, but it was kind of
理想的に考え抜かれたもの ではありませんでした
bolted onto the side. It wasn't really thought through as much as we would have liked.
そのシステムは 伝達したいものが
And the system worked really well
DistBelief のプログラミングモデルで 実行した場合は役立ちましたが
if what you wanted to express worked in the programming model
元々設計された目的と異なる場合 特に研究目的には少し困難でした
that Disbelief had. But if you wanted to do something a little bit outside of what it was originally designed for, it was a little bit hard, especially
そこで TensorFlow では一歩戻り
for research purposes. So what we wanted to do with TensorFlow
DistBelief を再設計することで DistBelief の良い特性は守っても
is take a step back and redesign what we had with Disbelief, and keep the nice properties of Disbelief,
より柔軟で 汎用に耐えるものにしようとしました
but make it more flexible and more general purpose.
TensorFlow では DistBelief の拡張性と 稼働準備状態は残して
And so TensorFlow really takes the scalable properties that Disbelief had and the production readiness,
研究用にさらに柔軟なものに 拡張しようとしました
but then extends it to be much more flexible for research.
全体の一連の 柔軟な概念を広げて 旧来のシステムを利用して
And so we really want to scan this whole continuum of really flexible ideas, and then being able to take those ideas
それを合わせて実稼働に 繋げられるようにしたかったのです
and put them all the way into production without having to go into a new kind of system.
それが TensorFlow を構築した理由です
So that's why we built TensorFlow,
オープンソース化し 世界中の皆が 実際使えるようにもしたいと思いました
and we wanted to open source it so that everyone in the world could actually use it.
多くのプラットフォームを サポートすることも重要と感じました
We also felt it was really important to support
DistBelief は主に データセンターアプリのための設計でしたが モバイルプラットフォームも非常に重要です
many platforms. Disbelief was really designed mostly for data center applications, but obviously mobile platforms
CPU や GPU また Google の TPU のような
are really important, being able to run workloads on CPUs,
機械学習高速化が重要になるにつれて 他スタートアップや大企業も開発中の
and GPUs, and custom accelerators like PPUs that Google has, and that other startup companies and large companies are developing in this space
カスタムアクセラレータで 作業負荷を実行できることが重要です
as machine learning acceleration becomes more important.
しかもさまざまなモバイル プラットフォームで実行することで--
And running on a variety of mobile platforms.
Android や iOS サポート Raspberry Pi サポ―トが
Android and iOS support and Raspberry Pi support
TensorFlow に追加されています
have been added in TensorFlow because we
機械学習が必要なときいつでも モデルを選択し実行できるようにするためです
want to be able to take models and run them wherever machine learning needs occur.
またクラウドプラットフォームでも 実行できるようにしました
And we also want to be able to run on cloud platforms.
Google クラウドや 他クラウドシステムで
So you can run this on Google Cloud or other cloud systems
生の仮想マシンで TensorFlow を使用し 実行できます
using TensorFlow running in raw VMs.
また Google クラウドには高次の クラウド機械学習サービスがあり
Google Cloud also has a high level cloud machine
TensorFlow を実行できる むしろマネージ型サービスです
merging service that is more of a managed service
だから TensorFlow は Google クラウドでもよく機能します
where you can run TensorFlow. And so TensorFlow works really well on Google Cloud, as well.
他言語にもサポートを追加したいと考えました
And we wanted to add support for other languages.
そこで TensorFlow の初回リリース時に Python と C++ のサポートをしました
So when we initially released TensorFlow we had Python
時間の経過と共に コミュニティの人々と私達は
and c++ support. And over time we and others in the community
他言語との関連付けと 他高次言語サポートを加えたため
have added other language bindings and other higher
他言語が TensorFlow を 利用できるようになりました
level language support so that different languages can access the power of TensorFlow.
また機械学習トレーニングや推測用に
We've also worked pretty hard on making it
良い視覚化ツールや 監視ツールのようなものも持てるよう
so that we can have good visualization tools and monitoring tools for machine learning, training,
取り組んできました モデルがしていることを 本当に理解できるようにする目的でした
and inference so that you can really understand what it is your models are doing.
処理中はどうなっているかを 良く理解することで
Really getting a good sense of what's
研究者がより生産的になりますし 起きている事を掘り下げられます [今までの成果]
happening in those processes allows researchers to be more productive, and to really dive into what's going on.
私達は今まで多くの成果がありました
So we've had a lot of progress to date,
そのいくつかをご紹介しましょう
so I'll just highlight some of that.
左側の領域はほぼ DistBelief システムについてです
So the area to the left is mostly our Disbelief system,
さまざま別のことに使用しますが
and we use that for a variety of different things.
これでよく分かるように TensorFlow は社内リリースのため
But you can really see within Google
Google 社内だったのが
that as we released TensorFlow internally,
オープンソース製品として 最終的には
and then eventually as an open source product, that we've
非常に多くの人と より多くのGoogleチームが
been able to have many, many more people
どんどん機械学習を使用し TensorFlow を使用して
and more teams at Google use machine learning,
両方の製品を改善し
and use TensorFlow to improve both our products,
検索・Gmail・翻訳・ 地図その他多くの機能に
so it's integrated into many features in search, and Gmail,
統合されるようになります
and translating maps, and many other things,
また研究にも使用します
but also to use it for research use.
TensorFlow を使用する 数百のプロジェクトを行い
So we've done hundreds of projects
TensorFlow を使用した 機械学習研究の基礎として
that use TensorFlow, published hundreds of papers using TensorFlow as the basis for our machine
数百の論文を公表しています
learning research.
また GitHubで機械学習のカテゴリーで 現在１番のレポジトリとなっています
And it's also now the number one repository in machine
素晴らしいことです
learning category on GitHub.
社外のコミュニティでも 良い評価を受けています
So we're pretty excited about that. It's been really well received in the external community.
TensorFlow は かなり急速に採用されてきています
And you can see that TensorFlow adoption has really accelerated quite quickly.
それはコミュニティの証しで
And I think that's testament to the community
私達が構築を開始し 構築を継続している場で
that we've started to build and are continuing to build,
たくさんの人々が TensorFlow に協力し
where lots of people are contributing to TensorFlow
あらゆる興味深い革新的なことに 用いている証拠だと思います
and using it for all kinds of interesting and innovative ways.
私達には約500の Google 外協力者がいて
We have almost 500 non-google contributors
TensorFlow のコードに 協力してきました
have contributed code to TensorFlow.
ソースコードベースに 月に約 1000 のコミットがあります
We have about 1,000 commits per month in the source code base.
非常に多くの社外の人がコミュニティで
Many, many people outside in the community
TensorFlow の チュートリアル作成や他モデル実装
have created tutorials, and other kinds of model
文書の翻訳や興味深い プロジェクトの作成をしてきました
implantations and TensorFlow translations of the documentation, interesting projects.
現在 TensorFlow と題した 約 5,500 の GitHub レポジトリがあり
There's about 5,500 GitHub repositories now
その内公式レポジトリは ４つか５つだけです
with TensorFlow in the title, only four or five of which are the official repositories.
このコミュニティと 直接携わることも多く
And we've had a lot of direct engagement with this community
Stack Overflow での質疑応答を行い 頂いた問題点や機能上の要請に対処します
by answering questions on Stack Overflow dealing with issue and feature requests
非常に嬉しいことの１つは
that people have submitted. And one of the things we're really happy to see
様々な大学で機械学習の授業に 使われ始めていることです
is that the use in machine learning classes is starting to happen in different universities.
例えばトロント大学 バークレー大学、スタンフォード大学で
So Toronto, Berkeley, and Stanford, for example,
各大学カリキュラムで 機械学習授業の重要な基礎として
are all using TensorFlow as the basis of important machine
TensorFlowを使用しています
learning classes in their curriculum.
立ち上げ以来 機能を追加してきており
Since we launched, we've been adding features and working
ユーザーに重要で必要とされている 機能を理解するため
with the community to understand what
コミュニティと共同してきています
features are really important that they want to see.
少しご紹介するだけでも 分散 TensorFlow 分散トレーニングサポートが
And just to highlight a few, TensorFlow
初期立ち上げから たった数か月で追加されました
distributed training support was added a few months after our initial launch.
さまざまなハイレベル API を 追加してあるので
Various high level APIs have been
非常なローレベルで必ずしも指定しなくても 欲しいモデルの種類を簡単に表現できます
added so that people can more easily express the kinds of models they want without having to necessarily specify things that are very low level.
TensorFlow Slim はその１つです
Things like TensorFlow Slim.
Windows サポートも追加しています
We've added Windows support, and for example,
例えば HDFS サポートや CUDA 8 や CuDNN 向けのサポートです
HTFS support, support for CUDA [INAUDIBLE] and CuDNN.
コミュニティが望んできた多くのことが さまざまなリリースで可能になっています
Many, many things here that the community has been asking for have made it into different releases,
２か月に１度の 定期的マイナーリリースを続けています
and we've kept up about a release every couple of months
[すべてが１年の間]
cadence. Minor release.
驚くべきことに このすべてが たった１年の間に起こっています
And all of this has happened in just over a year.
このコミュニティは非常に活力あり盛況です
So this is pretty amazing. This community is really vibrant and thriving.
私は大きなオープンソースプロジェクトに 関われてとても嬉しいです
I'm really excited to be part of a big open source project.
Googleでの過去の仕事の多くは そうではありませんでした
A lot of the work that I've done in Google in the past has been not open souce projects,
TensorFlow システムを 社外の人が使用して
and it's really nice to see the external usage
それで人々が行うことを 目にするのは素晴らしいです
of the TensorFlow system, and what people are doing with it.
ここでラジャット・マンガを紹介します TensorFlow エンジニアリングリーダーです
I'm going to invite Rajat Monga, our TensorFlow engineering
皆さんに最新情報をお伝えします
lead, up to talk about what's new today. Thank you.
ありがとうジェフ
RAJAT MONGA: Thank you, Jeff.
ありがとう
Thank you.
こんにちは　皆さん
Hello, everyone.
今日は素晴らしい発表がたくさんあります
So there are lots of amazing announcements today.
始めましょう
And let's get started.
まず1番心躍ることから始めましょう
Let me start with the first one and the most exciting one.
TensorFlow 1.0 をここに発表します
Today we are excited to announce TensorFlow 1.0.
1.0 にするため 統合した数々のことを
Jeff talked about a number of things that have come together
ジェフがお話ししました
to really get us to 1.0.
今日の新発表の詳細をお伝えする前に
And before I get into more of the things, the new things
まずこれを実現させてくれた 素晴らしい皆さんに感謝します
that we're announcing today, let's take a moment to just thank all the wonderful people who
一丸となり TensorFlow を優れた 製品にしてくれた素晴らしいチームにも称賛を
have made this happen. So kudos to an amazing team that's come together to make TensorFlow a great product.
そしてコミュニティで協力いただいた 全ての皆さんに感謝します
Thanks to all of you, the community,
ジェフがお伝えしたように
who's really gotten together.
TensorFlow のコードを裏で支え協力してきた 約 500 名の Google 社外協力者がいます
There are nearly 500 contributors, as Jeff mentioned, from outside Google who've contributed code
Stack Overflow と GitHub にも 問題対処やサポートをされた方が大勢います
back to TensorFlow. And the many others on Stack Overflow and GitHub who are helping with issues, and support, and so on.
皆さんありがとう
So thank you all.
では始めましょう TensorFlow 1.0 の内容を見てみます
Let's get started, let's take a look at what's there in TensorFlow 1.0.
まず速いです
It's fast.
パフォーマンスは私達に常に重要です
Performance has always been important to us.
深層学習が現状に到達するのに 役立ったことの１つです
It's one of the things that's really helped deep learning get to where
優れた結果を出すために重要です
it is to give the great results that it's been getting.
現在 1.0 では 64GPU 上で Inception-v3 実行に 58 倍の速度向上を示しており
And today with 1.0 we're showing a 58X speed up on 64 GPUs
これが画像性能で 優れた基準の１つになっています
running the inception v3, which is one of the great benchmarks for image performance.
そして柔軟です
It's flexible.
ハイレベル API はジェフが触れましたが もっと説明しましょう
Jeff mentioned some of the high level APIs,
皆さんの仕事を簡単にするのが 私達の望みです
we're announcing even more. We want to make it easy for you to do all the things.
TensorFlow の方針は常に
TensorFlow's philosophy has always
皆さんが何でもしたいことをする力を 簡単にして提供することで
been to give you the power to do whatever you want,
これはより簡単にもします
but also make it easy, and this makes it even easier.
そして稼働準備できています
And it's production-ready.
1.0 と次の セマンティックバージョニングでは
With 1.0 and semantic versioning that will follow,
すべての将来的変更に対して 後方互換性の確保を保証します
we're guaranteeing that we'll ensure backwards compatibility
なので新バージョンや新機能を得たときに 壊れる心配をしなくていいのです
for all future changes. So as you get new versions and new features, you don't have to worry about breaking things.
もっとありますが詳しくは 後のゲストが皆さんにお伝えします
And many more as some of the guests later will talk about.
いくつかは詳しく見てみましょう
But let's take a look at some of these.
ハイレベル API から始めましょう
Let's start at the high level APIs.
私達の目標の１つは常に あらゆる人に機械学習をもたらすことです
One of our goals has always been to bring
ハイレベル API は それを容易に実現しますし
machine learning to everyone. And these high level APIs really make it easier,
より多くの人に渡るでしょう
and hopefully will get to more people.
どんなものか見てみましょう
So let's take a look at what they are.
これは TensorFlow 使用経験がある 皆さんにはおそらくお馴染の図です
This is a picture that's probably familiar to a lot of you if you've been using TensorFlow.
真ん中にコア分散実行エンジン
In the middle is the core distributed execution engine
ハイパフォーマンスのための C++ が書いてあります
written in c++ for high performance.
さまざまなデバイスを抜き離します
It abstracts away all the various kinds
ジェフがさっき示した CPU や GPU など そこでよく機能します
of devices, some of which Jeff showed earlier, like CPUs, GPUs, and so on.
さらに Python フロントエンドや C++ フロントエンドなど
And does a great job at that. On top of it are the various languages, like the Python front and the c++ front.
さまざまな言語がサポートされています
And again, many different languages that
さて今日 Python フロントエンドに加えて API も数多く発表しています
are being supported there. Now today we're announcing a number of APIs on top of the Python front end.
最初のものは Layers です
The first one is layers.
これらは深層学習モデルを使用している場合
So these allow really, if you're using deep learning models,
ひも付け、畳み込み、プーリング ビルド済みコンポーネントとして思い付く
to build fully connected convolution pooling and all
あらゆる標準レイヤーを 完全に構築できます
the standard layers that you come up with as pre-built components so you don't have to really start
開発者の皆さんが １から作る必要がないのです
making them from scratch.
これも皆さんの仕事を楽にします
Again, making it easier for you.
また Keras は皆さんの多くに お馴染みの API でしょう
On top of that, Keras is an API that a lot of you
かなり人気です
are probably familiar with.
私達は TensorFlow と Keras を統合し
It's pretty popular. And we are announcing the integration of Keras
それらのモデルの構築を 簡単にする実装を備えました
with TensorFlow, and implementation to make it, again, easier to build those models.
モデルを選択し 自分のデータセットと 結合で予想される API は
And an estimated API that really helps you take those models, combine them with your data sets, et cetera,
これらのモデルのトレーニングと 評価を簡単にします
make it easy for you to train and evaluate these models.
最後にこれらすべてに加えて
And finally, on top of all of these,
たくさんのモデルを 皆さんにご用意してあります
there are a number of models that are already there for you in the box for you.
例えば線形回帰や シンプルな DNN などがあり
For example, linear regression, simple DNNs, and so on,
それを使って開始したり
that you can start with that you can actually
皆さんのコア上で少数行のコードで トレーニングを実行できます
run on your core to train stuff with very few lines of code.
また TensorFlow は常に 深層学習で非常に役立ってきましたが
Next up, so TensorFlow's is always
皆さんがいろいろ 素晴らしいことができるよう
done great in deep learning, but we built the core
本当に柔軟にするため 私達はコアを構築しました
to be really flexible to allow you to do all kinds of amazing things with it.
今日 多くの Google 社内と 社外に渡る多くのチームとともに
And today we are announcing broad machine
広範囲の機械学習サポートを発表しています
learning support with the help of many teams across Google and folks externally, as well.
私達が行っていることすべてを見てみましょう
So let's take a look at everything that we are doing.
もちろんその他すべてと同様 パフォーマンスは重要です
Of course as with everything else, performance is important for these.
すべての実装はかなり速いので
So all of these implementations are pretty fast,
単一マシン上かクラスタでの分散で 有効利用できます
and you can take advantage of them on a single machine or distributed in a cluster.
クラスタを試みている場合 K-Means は明らかな選択です
If you're trying to do clustering, K-means is an obvious choice, so we
そこで TensorFlow に K-Means を実装しました
have an implementation of K-means in TensorFlow for you.
分類をしているなら サポートベクターマシンはよく使われます
If you're doing classification, support vector machines
これは特に定義済み機能がある場合の 開始には良いかもしれませんが
are used often. And this might be a great place to start, especially if you have predefined features.
そこから例えば学習機能か もっと手の込んだことを望む場合に 同じ種類の API で
But then going from there, if you want to, let's say, learn features or do something fancier, the same kind of APIs
深層学習や 他のアルゴリズムも試せます
are there for you to try deep learning or other algorithms as well.
また決定木と ランダムフォレストがあります
We also have decision trees and random forests,
分類と回帰用です
again for classification and regression.
他にもいろいろ備えています
And many, many more.
アシーシが後に詳細をお話します
Ashish will be talking more and in more detail about these later today.
[新しいプラットフォームとアクセラレータ]
では新しいプラットフォームと アクセラレータを見ましょう
Let's look at some new platforms and accelerators.
ジェフが先ほど多くを まとめてお伝えしましたので
Jeff showed a whole number of bunch of them that were there earlier.
私は最近の追加事項を 数点だけお伝えします
I'm just going to mention a few that we've added recently.
TensorFlow は IBM 社の PowerAI ディストリビューションに内包されました
TensorFlow's included in IBM's PowerAI distribution.
IBM 社が最近これを発表しました
IBM announced this pretty recently.
深層学習に IBM Power システムをご利用の場合
So if you're using IBM power systems for deep learning,
ソフトウェアパッケージに TensorFlow が含まれました
now there's a software package that
ハイパフォーマンスと使用の容易さが お気に召していただけるでしょう
includes TensorFlow to give you high performance and the ease of use that you would like there.
Movidius Myriad 2 のような アクセレーターもサポートしています
It's also supported by accelerators such as the Movidius Myriad 2 accelerator.
これは埋め込み型プラットフォームに 使用できます
This can be used for embedded platforms.
TensorFlow のモデルを選択し
It takes the TensorFlow modeling and really
皆さんはこれらチップの上で それを効果的に実行するのが可能です
allows you to run that efficiently on these chips.
最近 Qualcomm 社の Hexagon DSP にサポートが付きました
And most recently, there's been support for Qualcomm's Hexagon
では Qualcomm 社のトラビスを迎え お話を聞きましょう
DSP. And to talk about that, I would like to welcome Travis Lanier who's here with us from Qualcomm today.
トラビス どうぞこちらへ
トラビスは Qualcomm 社シニアプロダクト マネージメントディレクターです
Travis is senior product managing director at Qualcomm.
ありがとうー
TRAVIS LANIER: Thank you.
Hexagon DSP 用に TensorFlow を最適化するため
We're very excited to have collaborated
Google 社と共同していることに 嬉しく思います
with Google to optimize TensorFlow for Hexagon DSP.
ここの上でループしている動画を見ると
If you take a look at this little video we have looping up
CPU から DSP への移行により約８倍の パフォーマンス向上を得たのがおわかりですね
here, you can see about an 8x performance increase by moving it from the CPU to the DSP.
これは携帯電話の 電力プロファイル内で起きていることです
And keep in mind, this is happening with a mobile phone's
大変電力効率が良いです
power profile. So this is very power efficient, really high
携帯電話上でのニューラルタスクといった タイプに見られるものと比べると
power processing compared to what you've been able to see for these type
非常にハイパワーの処理です
neural tasks on a mobile phone.
さて良いことに皆さんのために 私達が最適化を済ませてあります
Now the good news is that we've already
お持ちの TensorFlow モデルを動かせば
done the optimization for you. So if you have a TensorFlow model and you move it over,
弊社の Hexagon DSP 上と類似した パフォーマンス向上が見られるはずです
you should be able to see a similar type of performance uplift on our Hexagon DSP.
私達はドライバーも含めこのソフトウェアを オープンソース化する予定です
We will be open sourcing this software, including the driver,
DragonBoard 820 開発プラットフォームで利用可能になります
and it'll be available on our Dragonboard 820 development
ありがとう ありがとう
platform. Thank you.
ありがとう トラビス
RAJAT MONGA: Thank you, Travis.
ピートがモバイルと埋め込み向けの サポートの詳細をお話します
So Pete Warden will be talking in more detail about our support for mobile and embedded.
明らかに非常に重要です
It's clearly very, very important,
彼が今日後ほどお話します
and you can see more in his talk later today.
私達はいろいろな方法で パフォーマンスに注意を払います
So we care about performance in many ways.
いくつかの領域を見てきました
You've seen some of those areas.
TensorFlow を
As you think of TensorFlow as a programming languages
素晴らしいモデルを構築する プログラム言語として考えるとき
here building these amazing models,
コンパイラ、コンパイル技術が パフォーマンスを見るのに一番良い方法です
what better way to look at performance than the compiler
今日ここに XLA を発表します
compilation techniques? So today we are announcing XLA, which
実験的な TensorFlow コンパイラです
is an experimental TensorFlow compiler.
TensorFlow 専用に 構築されたコンパイラです XLA は Accelerated Linear Algebra の頭文字です
It's really built for TensorFlow, so a compiler for TensorFlow. XLA stands for accelerator linear algebra,
要は TensorFlow で作る モデルの種類を加速します
basically accelerates the kinds of models you make with TensorFlow.
基本的にグラフを取り アセンブリコードにコンパイルします
It basically takes a graph and compiles that down
実行しているチップの種類に対し 重要なアーキテクチャ用です
to assembly code for the architecture that matters to you for the kind of chip that you are running.
実行時コンパイラ用にも使えます
And it can be used for just in time compilation,
例えばトレーニング作業負荷でとか
for example in training workloads,
データセンター内であれ どこであれ使えます
et cetera, whether in the data center
事前コンパイラ用にも そこでただグラフを取り
or elsewhere, and also for ahead of time compilation
コードにコンパイルして 何の心配もなくそのコードをただ送れます
where it just takes the graphs, compiles it down to code, and then you can just ship the code and not worry about anything else.
クリスとトッドが詳細を後でお話します
Again, Chris and Todd will be talking about it
まだ多くのことがあります
later this morning, so there's a lot more there.
ここでメーガン・カチョリアを お迎えしまょう
And with that, I would like to welcome
Brain 社エンジニアディレクターで
Megan Kacholia, engineering director at Brain who's
TensorFlow を伝えるため 性能向上の努力を先導してきた人です
been leading our performance efforts to talk about TensorFlow in depth.
ありがとう ラジャット
MEGAN KACHOLIA: Thanks, Rajat.
パフォーマンスについて 掘り下げてお話しましょう
I want to start just by diving a bit more into performance.
お伝えしたようにTensorFlow は 一般コミュニティ向けに作られています
So as we've talked about, TensorFlow is really made for the community at large.
使用事例は広範囲です
And that spans a lot of different use cases,
研究の観点から見る場合も
whether you're looking at things from the research perspective
あるいは稼働環境や その意味の場合もです
or thinking about just production environments
研究側では プラットフォームが改善することで
and what that means. On the research side, being able to have performance
水面下で使用する TensorFlow とマシンから より優れた性能を得ることで
improvements, get more and more performance out of TensorFlow and out of the machines you're using underneath it
フレキシビリティがもたらされます
gives you a lot of flexibility.
反復やモデルのトレーニングの 速度向上を意図する場合にも
Whether it's want to iterate more quickly,
並行的により多くの実験をする場合もです
you want to train models faster, maybe you want to run more experiments in parallel.
研究側でフレキシビリティを提供するため
So it's very important for us to be
継続したパフォーマンス向上が 私達にとって重要です
able to continue to improve on performance to provide that flexibility on the research side.
しかし実稼働側も同様に重要です
But we don't want to forget about the production side,
稼働でもまた 使用事例は広範囲です
as well. And for production there's, again, many different use
大規模なサーバーファームでの事例や
cases. Whether you're looking at large scale server farms,
お話したような埋め込み型の使用事例
or also thinking about embedded use cases
またデバイス上でや モバイルデバイス上での実行
like we've talked about. Whether it's on device, running on a mobile device,
特別設定のその他小さな デバイス上での実行事例などです
or some other kind of smaller device
その場合もまたさまざまなタイプの ハードウェアがあり
that has a special setup. And again, even then we're thinking about lots of different types of hardware,
低遅延での提供もこの一部です
and low latency serving is also part of this.
皆さんは TensorFlow を大抵 トレーニングの観点から考えますが
I think a lot of times people think of TensorFlow and they think of just the training perspective,
私達は初回リリースを通じて オープンソースで多くの仕事をしてきて
but we've done a lot of work in open-source things
それが提供の方法もたらしてくれました
through our initial releases that provide
それが本番状況で使用できる 低遅延の提供です
ways of serving as well. This is low latency serving that you can use in a production setup.
良いことは実際に数を見ずに パフォーマンスをお伝えできることです
But what good is it to talk about performance without actually looking at numbers?
最初に状況設定があります
So this is just a little setup first.
ご説明しますと
Let me explain some of this.
これは Inception-v3 モデル実装の 修正経過です
So what we're looking at here is we have revised our implementation of the Inception v3 model,
現在オープンソース化の作業中で 数週間のうちに完成しますが
and we're currently working on open sourcing that,
この表示グラフは全部 隠れたそのモデルを使用しています
and we'll have that out in a few weeks. But all of the graphs shown here are using that model
また２種類のマシンで見ています
under the covers. And then we're looking across two different machine types.
非常に強力なマシン NVIDIA DGX-1 で ベンチマークを行いました
So we've done some benchmarking on the NVIDIA DGX-1, a very,
高速 GPU を使用したときの TensorFlowas の真の性能を測るためです
very powerful machine, so that we can see how TensorFlow really scales when you are using much, much faster GPUs.
またクラウドコンピューティング プラットフォームが多種ある中
And also looking at K80s, since those are much more widely
広範囲に可能な K80 も調べました
available, especially in all the various cloud computing platforms that are out there.
これは理想的なスケーリングです
And this is just the ideal scaling.
TensorFlow の達成域を見ましょう
So let's see how TensorFlow stacks up.
まず合成データでの Inception-v3 モデルの トレーニングでわかることは
So the first thing we're looking at is, again, looking at training this Inception v3 model
特に良いこととして
with synthetic data. I think the really cool thing to call out
K80から遥かに強力な DGX-1 のような マシンに移行しても
here is that even when you're moving from a K80 to a much more powerful machine like a DGX-1,
ここで示している8 GPU 間で
you're still seeing impressive scaling
素晴らしい スケーリング数であることがわかります
numbers across the eight GPUs that we're showing here.
しかし合成データを見るだけでは足りません
But it's not good to just look at synthetic data.
これは業界で一般的に ベンチマークに使用されていますが
I know that's what is generally used for benchmarking
実際の性能を現実のデータで 把握する必要があります
in the industry, but we also want to understand, how do things actually
それにより皆さんが実際 モデルを構築したり
perform with real data? Since that's what I'm assuming people
稼働設定を実行したり 研究を行うものだと思うからです
are actually using for building their models, and running their production setup,
では現実のデータをここに落としましょう
and doing their research. So let's plop that in there, as well.
合成データから 現実のデータにしても
Now you can see even when you move from synthetic data
スケーリングはとても良いことがわかります
to real data, the scaling is still very impressive.
TensorFlow はこの 8GPU 間で
And TensorFlow is scaling well across the eight GPUs
強力な DGX-1 の状況を見ても K80 のようなものを見ても
here, whether you're looking at a powerful DGX-1 setup
同様にスケールは良いです
or you're looking at something like a K80, as well.
しかし単体のマシン設定だけではありません
But it's not just about the single machine setups,
分散性能も考える必要があります
we also need to think about distributed performance.
分散したパフォーマンスに対しても
And for distributed performance as well, we've
同様に向上に取り組み スケーリングを改善し
been doing a lot of work to improve that, and improve
使用マシンがどれであれ
our scaling to make sure that, again, whatever machinery
TensorFlow を最活用し
you have and that you want to be using, TensorFlow can make the most use of it
必要な利益やフレキシビリティを もたらせます
and be able to give you whatever benefits and flexibility you need.
ここで 64 GPU 間で 58 倍の速度向上を示しています
So here we're showing a 58x speed up across 64 GPUs.
これが TensorFlow 1.0 の リリースをお伝えしたとき
This is the number that Rajat quoted as well
ラジャットが引用した数です
when we were talking about the TensorFlow 1.0 release.
パフォーマンスの面で 私達ができた改善のすべてと
So I think it's really exciting, just all of the improvements
フレキシビリティや コミュニティに還元できるという選択肢を
that we've made on the performance side of things, and all the flexibility and the options
嬉しく思います
that it gives back to the community.
では研究と実稼働での例を 少し詳しくお話したいと思います
Now I want to go just a little bit into examples on the research and the production side of things.
ニューラル機械翻訳は一般例として これまでたくさんお話していますが
So neural machine translation as a common example we've
これは旧来のフレーズベースモデルで
talked about a lot. So here you can see with the old phrase-based model, which
手調整コードの行が多数あります
actually had hundreds of thousands of lines of hand-tuned code.
TensorFlow 内 ニューラルモデルに移すと
When we moved that to a neural model in TensorFlow,
さまざまな言語の組み合わせで 大きな改善が見られます
we're actually able to see huge improvements
85% までエラーが減った例もありました
across various language pairs, in some cases reducing errors by up to 85%.
もう少しおもしろい例もあります
Here's a slightly more fun example.
興味深いグラフです
It's a little interesting to look at this graph.
これはニューラルアーキテクチャ検索です
But this is neural architecture search,
TensorFlow 内で ニューラルネットワークを構築している場で
where you're essentially building a neural network in TensorFlow that can figure out,
問題解決のため使用すべき ニューラルアーキテクチャを検索できます
what is the right under the covers neural architecture to use for solving a problem?
これら最先端の研究も
And it's great to see these cutting-edge research cases
TensorFlow で行われているのは 素晴らしいことです
also being done in TensorFlow.
Google 社の研究でもう１つ オープンソース化されている事例があります
And here's another example that has been open-sourced
画像キャプションの分野では
by Google Research. So looking at things like captioning images.
字幕提供だけでなく
And it's not just about providing a caption for it,
音声キャプションも提供しています
it's providing a human-sounding caption for it.
この種の言語理解を統合すること またそれを画像に適用すること
So it's very impressive to combine this type of language understanding and also applying that with the images
TensorFlow で行うことは 素晴らしいことです
and doing that in TensorFlow.
しかも研究だけではありません
But again, it's not just about research.
さまざまな稼働事例を見る必要があります
We also need to look at different types of production
その場合も TensorFlow の役割が大事です
use cases, as well. And it's important to, again, remember
稼働事例について話すときも
that TensorFlow, when we talk about production use cases,
トレーニング面と TensorFlowを低遅延のため使用すること
we're talking about both the training side of things, and also using TensorFlow for low latency serving.
両面のことを言っているのです
Word Lens が良い事例です
A cool example here is something like Word Lens.
人は稼働事例について考えるとき 巨大なデータセンターを思うことが多いですが
So this is something where, a lot of times when people think about production use cases, they think about large data centers.
稼働事例の多くは 現在は実はアプリなのです
But a lot of production use cases these days are actually apps.
アプリをリリースしたら 誰かのデバイス上で実際動いています
You release an app, it's actually
Word Lens での例では 翻訳と画像を基本的に結び付け
running on someone's device. So here's an example with Word Lens, where it's combining translation and vision, essentially,
実際にデバイスで稼働し
and actually running on the device
TensorFlow を使用しその標識が 他言語でどう見えるか示します
using TensorFlow to be able to provide you what that sign might look like in a different language.
もちろん Google でも TensorFlow と深層学習を活用しています
And of course at Google, we make a lot of use of tons of TensorFlow and deep learning.
それでたくさん翻訳のことをお話しました
So we talked about translate a lot.
他にも Gmail でスパム検知に使用したり
There are other examples, like using it in Gmail for spam detection, using it
標識などを理解するためストリートビューで 道路標識認識にも使用しています
in Street View for understanding signs, street sign recognition.
人気アプリ用に Google Play ストアでも使用できます
And also using it in, perhaps, the Google Play Store for app recommendations.
Google 社内で多くの 使用事例があるのは素晴らしいですが
But while it's great that there's so many use cases
TensorFlow の核心ではありません
internally at Google, that's not really the whole point of TensorFlow.
その核心はコミュニティへの 還元方法を把握し
The point of TensorFlow is to figure out,
すべての人が 深層学習を活用できるようにし
how can we give this back to the community and make it so that everyone can be making use of deep learning
研究でも稼働のニーズでも
and be able to use TensorFlow to further,
TensorFlow を さらに活用できるようにすることです
whether is the research or the production needs?
TensorFlow を実際活用している企業が 多数あるのは素晴らしいことです
So it's great to have such a large list of companies that are actually making use of TensorFlow as well.
すでに Qualcomm 社の 向上は聞きましたが
So we've already heard from Qualcomm
他にも今日お伝えできるはずですが
stepping up, will be other things that will be mentioned
私たちはこれからも コミュニティと共同して
throughout the day, as well. But we really want to make sure we're
ニーズが何かを理解し 時と共に
engaging with the community, understanding what
各自の使用例で TensorFlow を使用している方々が
the needs are so that over time this list of other folks who
成長し続けることを 確認したいと思います
are using TensorFlow in their own use cases will continue to grow.
ではジェフが私と交代し これからを詳しくお伝えします
And with that, I'd like to hand it back off to Jeff to talk a bit more about what's ahead.
ありがとう　メーガン
JEFF DEAN: Thank you, Megan.
コミュニティで素晴らしいことの１つは TensorFlow は皆のものだということです
So I think one of the things that's great about the community is that TensorFlow is really
私たちが思いも寄らなかったことも 人々は TensorFlow で行ってきました
for everyone. And some of the things that people have done with TensorFlow are things that we would never
人々は本当に 自分の問題を抱えていて
have thought of. Because really, people have their own problems,
TensorFlow をとても創造的な方法で 利用しているからです
and they're using TensorFlow in very creative ways.
この話は数か月前にお聞きかもしれませんが
So you may have seen this story a few months ago
日本のキュウリ農家の夫妻の話です
of this Japanese cucumber farmer and his wife
息子さんはたまたま 自動車の組込システム技術者で
and their son, who happens to be an automotive embedded systems
毎回収穫期に奥さんがキュウリの 選別に多くの時間を費やしたものです
engineer. And every harvest season, the wife would spend a lot of time sorting cucumbers.
市場向けに大きいもの・小さいもの
Because you need to sort them for market into big ones,
曲がったもの・曲がっていないものに 選別が必要なのです
small ones, curved ones, not curved ones.
そこで Raspberry Pi とカメラ TensorFlow を使用し
And so they rigged up a system using a Raspberry
システムを早急に作り
Pi and a camera and TensorFlow to essentially
基本的にキュウリの良い形を 自動的に選別しました
sort the cucumbers automatically into the right shapes.
私達の想定外の TensorFlow の創造的な使用方法です
And so this is a creative use of TensorFlow
人々がとても良い使用法を見つけているのは 素晴らしいですね
that we would not have thought of. It's really cool that people are finding really neat uses for it.
現在キュウリ選別のような 多くの人の労働力は必要ないです
And now there's not a lot of human labor that needs to be done to sort these cucumbers, which
あまり面白くない仕事ですからね [事例研究：医療]
doesn't sound like a very interesting task.
別の領域で素晴らしいことは 医学への機械学習の活用です
Another area we're really excited about is the applications of machine learning for medicine.
私達のグループが取り組んできたのは
And our group has been doing some work
コンピュータ画像を用いた 糖尿病性網膜症の診断です
on the diagnosis of diabetic retinopathy
ここでの課題は基本的に このような網膜の画像の撮影です
using computer vision. So the task here is essentially to take a retinal image
眼科医にいくと 通常はこのような画像を撮影します
like this-- you go to the ophthalmologist, they typically take an image like this.
そして眼科医がそれを見て
And then the ophthalmologist looks at this
糖尿病性網膜症の 初期の徴候があるかを知るのです
to see if there are any early signs of diabetic retinopathy.
これは大変重要です
And this is really important.
この病気を十分早く発見できれば 治療可能だからです
Because if you catch this disease early enough,
しかし早期発見できなければ 世界で盲目の原因に繋がるのです
it's very treatable. But if you don't, it's actually the leading cause of blindness in the world.
現在私達にはシステムがあり―
And so we now have a system in an article that
米国医師協会の学会誌の記事の 私達のグループの発表によれば
was published in the "Journal of the American Medical
正しい種のデータでトレーニングされた コンピューター画像モデルが
Association" by people in our group that shows that a computer vision model trained
糖尿病性網膜症を 診断する平均眼科医と比較して
on the right kind of data can actually be as good, or slightly better than the median ophthalmologist
同程度に良いか少し良いことを示しています
at diagnosing diabetic retinopathy.
これは大変重要です 世界の多くの地域で
And this is really important, because [MIC CUT]
[不明瞭]高いからです
to the world--
非常に不足しているものは 眼科医へのアクセスです―
and what's really lacking is access
実際に画像を解釈する 眼科医が不足しているのです
to ophthalmologists to actually interpret the images.
これは利便性増加に役立ちます
And so this can really help increase access.
他にも医学での活用があります
There's other uses in medicine, as well.
スタンフォード大学の ブレット・カプレルを紹介します
So I'd like to invite Brett Coprell from Stanford.
スタンフォード大学エレクトロニクス エンジニア部博士課程の学生です
He's a Stanford PhD student in the EE department,
コンピュータ画像モデルを用いた 皮膚科学評価でとても良い業績があります
and he's been doing some really nice work on dermatology assessment with the computer vision models.
よろしくブレット
Thanks, Brett.
こんにちは 私はブレットです
BRETT COPRELL: Hey, everyone. I'm Brett Coprell.
スタンフォードの同僚と私は TensorFlow を使用し
My colleagues and I at Stanford have trained a model
危険な皮膚の病変に関する画像を分類するため モデルをトレーニングしてきました
using TensorFlow to classify images of dangerous skin
黒色種と他のタイプの皮膚がんを 認識することにかけて
lesions. We're thrilled to have achieved dermatologist-level performance
皮膚科学レベルの性能を 達成してきていることを嬉しく思います
at recognizing melanoma and other types of skin cancer.
感度 98% で 特異度 90% です
At a sensitivity of 98%, we're 90% specific.
今日あとで詳しく お話できることを楽しみにしています
I look forward to sharing the details with you during my talk
『ネイチャー』誌をお持ちであれば 喜んでサインします
later today. And if you have a copy of "Nature," I'm happy to sign it.
いいですね ありがとうブレット
JEFF DEAN: Very good, all right, thank you. Thank you, Brett.
『ネイチャー』誌の特集記事は 科学分野では成功の印ですからね
The cover article in "Nature" is like the kind of really pillar of achievement in the field of science,
素晴らしい業績です
so this is really fantastic work.
会場外のコルク板に今日
And we actually had a corkboard outside the venue
TensorFlow で人々が行っている 創造的な使用方法を他にも掲示しています
here today to talk about other kinds of creative uses that people are doing for TensorFlow,
２点だけお話しました
and I just picked a couple.
医学について話を続けますが
So continuing on the medical theme,
あるグループが 精神疾患の診断と治療計画を目的として
one group is doing classification and clustering
分類と MRI ベースの脳内ネットワークの クラスタリングを行っています
of MRI based brain networks to diagnose psychiatric disorders and plan treatment.
良いですね
So that's pretty cool.
もう１つはペインティングロボットです
And another one is doing a painting robot,
これも良いですね
which sounds pretty cool also.
コミュニティが問題解決のため TensorFlow を活用して行う
So I think it's just really nice to see all the creative uses
さまざまな創造的な使い方を 目にするのは嬉しいことです
that the community is making for putting TensorFlow to use in solving their problems, and also
またコミュニティが TensorFlow の 基盤改善に貢献しているのも嬉しいことです
that the community is contributing to improving the base core TensorFlow.
TensorFlow 開発者会議に ご来場いただいた皆さんも
So we're really excited to have everyone here,
ライブでご覧の皆さんも
both in person and on the livestream
ご一緒できて嬉しく思います
for our first TensorFlow dev summit.
TensorFlow で皆さんができる 素晴らしいことのすべてを見たいと思います
And we want to see all the amazing things that you guys can do with TensorFlow.
どうもありがとうございました
So thank you very much.
TensorFlow を オープンソース化してからほんの１年で
ZAK STONE: It's been just over a year since we open sourced TensorFlow,
Google 社内でも世界中でも
and we've been thrilled to see the adoption
コミュニティにより採用され 急速に発展しているのを見て嬉しく思います
by the community and the pace of development, both here at Google and all around the world.
TensorFlow は
JEFF DEAN: TensorFlow is really the primary tool
私達の全製品の機械学習の仕事の 多くに使用している最重要ツールです
that we're using for a lot of our machine
昨年末頃
learning work in all of our products.
深層ニューラルネットに基づいた 全く新しい翻訳システムを公開しました
Toward the end of last year, we actually rolled out a completely new translation system that
Gmail で TensorFlow モデルを公開できました
was based on deep neural nets. In Gmail, we were actually able to roll out a TensorFlow model
受信したメッセージの文脈を理解することで 適した返信を予測できるのです
that, by understanding the context of the message you just received, we can predict likely replies
Smart Reply と呼ぶ機能です
and this is a feature we call Smart Reply.
糖尿病性網膜症は 盲目の急進行原因となります
LILY PENG: Diabetic retinopathy is the fastest growing cause
糖尿病の合併症の１つです
of blindness. It's a complication of diabetes.
莫大なデータセットを収集し 医師に画像を評価してもらい
We gathered a very large data set
TensorFlow を使用し ニューラルネットをトレーニングしたのです
and had doctors grade the images. And then we, using TensorFlow, trained a neural net
画像に糖尿病性網膜症が存在するかを 予測することにおいて非常に良く機能します
that does a pretty good job of predicting whether or not there is diabetic retinopathy in the image.
TensorFlow のようなものを 音楽やアート制作や
DOUG ECK: Can we use something like TensorFlow to make music,
お互いの意思伝達を 円滑にするために使えると思います
to make art, and to allow us to communicate better
TensorFlow で私達は
with each other?
ほぼ機械学習で即興を行うようなレベルで 抽象的に考えられます
With TensorFlow, we're able to think abstractly, almost at a level of like improvisation
このような表現性を持つ前には 不可能だった方法で
with machine learning. We're able to try new things, to chunk models
モデルを大きな塊に分け 新しいことを試みることができます
together in ways that were impossible before we had that kind of expressivity.
ジュゴンは世界規模で 絶滅危惧種として分類されています
AMANDA HODGSON: Dugongs are classed as vulnerable to extinction globally.
私達はドローンを用いて 多くの空中調査を行いました
So we do a lot of aerial surveys using drones.
非常に広範囲の地域に及ぶ調査を行ったあと
Then once you've done a survey of a really large area,
得る写真は数十 数百数千ではないにせよ
you end up with tens, if not hundreds of thousands of photos.
目標はこのプロセス全体を 自動化する方法を見つけることでした
The goal was to find a way to automate that whole process.
そこで TensorFlow を使用しているのです
And that's where we've been using TensorFlow.
今年の TensorFlow の焦点の１つは パフォーマンスです
ZAK STONE: One of the things that we've been focusing on this year with TensorFlow is performance.
分散トレーニングサポートの リリースを嬉しく思います
We've been especially excited to release support for distributed training.
最高の分散パフォーマンスを得るのに 内部のすべてを知る必要がないように
MEGAN KACHOLIA: We want to make it easier for people to use so they don't have to necessarily know all of the underlying internals in order to get the distributed
使用する人の仕事を楽にしたいのです
performance the best it can be.
XLA は TensorFlow に コンパイルできるものです
[INAUDIBLE] is something that can compile down TensorFlow.
事前にグラフをコンパイルし メモリサイズを小さくし
Maybe you want to compile your graph ahead of time and get it down to something much more compact
携帯電話や他小さな携帯デバイスのような 記憶領域が沢山なくても
in terms of memory size, so that that way you can easily load it and execute it on something that might not
簡単にロードして実行することができます
have as much storage space, like a mobile phone,
Hexagon Vector extensions を 発表したとき
or some other portable, smaller device. RICK MAULE: When we introduced the Hexagon vector extensions,
念頭にあったのは 画像機能でのユーザー経験の向上でした
what we had in mind was enhancing user experiences
TensorFlow チームが
with imaging features.
ニューラルネットワーク実行効率に 必要なのは低精度の乗算だけだというので
ERICH PLONDKE: So the TensorFlow team said that you only needed low precision multipliers to be able to execute these neural networks efficiently.
テストを行いました Inception-v3 の同じグラフで
So we did some tests, and on the same graph, Inception section
CPU での実行と比較して 速さは８倍で電力は４分の１でした
v3, we were eight times faster and four times lower power than running on the CPUs.
TensorFlow は優れていて作業しやすく 多くの可能性があります
RICK MAULE: TensorFlow is great to work with, easy to work with, lots of capability.
私達のエンジニアチームと 彼らのエンジニアチームが共同し
So our engineering teams and their engineering teams
非常におもしろいことができました
working together, we were able to do something very exciting.
これを始めとして
This is just the beginning of what
画像処理と機械学習でできる 素晴らしいことに向け
will end up being a long evolution of some great things
遥かな進化を遂げるでしょう
we can do with machine learning and image processing.
TensorFlow の共有に加え Google はエコシステムツールを共有しました
JOSH GORDON: In addition to sharing TensorFlow, Google has also shared a ecosystem
これは研究から稼働までに必要な すべてを含んでいます
of tools, which contains everything you need to go all the way from research to production.
そのツールの１つは TensorFlow Serving です
One such tool is TensorFlow Serving,
これはオープンソースで 高性能のサービングソリューションです
and this is a open source, high performance serving solution.
もう１つ優れたツールは非常に美しい Embedding Visualizer です
Another great tool, which is actually quite beautiful, is the embedding visualizer.
Embedding Visualizer で 高次元のデータセットを相互研究できます
And you can use the embedding visualizer to interactively explore high dimensional data sets.
教育側では General Assembly が TensorFlow の授業で成果を上げています
On the education side, General Assembly has done great work teaching TensorFlow.
私の最終課題として 歌詞の生成を行うのは興味深かったです
NEHEMIAH LOURY: For my final project, I was really interested in doing lyrics generation.
TensorFlow は 目的に非常に適していました
And TensorFlow was a really great match for that,
成功するために必要だったモデルを ビルドアウトし活用できたからです
because it allowed me to build out and utilize the models that I needed to be successful.
TensorFlow コミュニティは 世界中で活気があります
ZAK STONE: The TensorFlow community is thriving around the world, and we're
非常に多くの方々が 参加していることを嬉しく思います
excited about as many people as possible being part of it.
TensorFlow はあらゆる人のための オープンソースプロジェクトです
TensorFlow is an open source project for everyone.
世界規模のコミュニティで共同し
We're looking forward to building this
より良く有用で強力なものにできることを 楽しみにしています [2017年 TensorFlow 開発者会議]
into something even better, and more useful, and more powerful in collaboration with the whole worldwide community.
Similar videos:

Keynote (Chrome Dev Summit 2017)
Chrome for Developers
21.7K views 358 likes 28 dislikes 23 Oct 201767% match

TensorFlow Dev Summit 2019 Keynote
TensorFlow
48.7K views 749 likes 37 dislikes 06 Mar 201967% match

Highlights from the 2017 TensorFlow Dev Summit
Google for Developers
29.1K views 199 likes 7 dislikes 24 Feb 201767% match

Keynote (TensorFlow Dev Summit 2018)
TensorFlow
41.4K views 457 likes 13 dislikes 30 Mar 201867% match

TensorFlow Dev Summit 2017 - Livestream
Google for Developers
91.7K views 1.5K likes 52 dislikes 06 Dec 201667% match

TensorFlow Dev Summit 2020 Keynote
TensorFlow
31.8K views 398 likes 7 dislikes 11 Mar 202067% match

Integrating Keras & TensorFlow: The Keras workflow, expanded (TensorFlow Dev Summit 2017)
Google for Developers
67.4K views 770 likes 16 dislikes 15 Feb 201765% match

TensorFlow at DeepMind (TensorFlow Dev Summit 2017)
Google for Developers
30.7K views 325 likes 12 dislikes 15 Feb 201759% match

Hands-on TensorBoard (TensorFlow Dev Summit 2017)
Google for Developers
305.4K views 3.2K likes 40 dislikes 15 Feb 201758% match

Distributed TensorFlow (TensorFlow Dev Summit 2017)
Google for Developers
42.7K views 341 likes 4 dislikes 15 Feb 201757% match

TensorFlow: Machine Learning for Everyone
Google for Developers
537.8K views 2.8K likes 59 dislikes 15 Feb 201757% match

Case Study: TensorFlow in Medicine - Retinal Imaging (TensorFlow Dev Summit 2017)
Google for Developers
38.9K views 584 likes 4 dislikes 15 Feb 201757% match

Mobile and Embedded TensorFlow (TensorFlow Dev Summit 2017)
Google for Developers
28.6K views 290 likes 10 dislikes 15 Feb 201756% match

Serving Models in Production with TensorFlow Serving (TensorFlow Dev Summit 2017)
Google for Developers
32.8K views 311 likes 2 dislikes 15 Feb 201756% match

XLA: TensorFlow, Compiled! (TensorFlow Dev Summit 2017)
Google for Developers
33.5K views 241 likes 9 dislikes 15 Feb 201754% match

Skin Cancer Image Classification (TensorFlow Dev Summit 2017)
Google for Developers
42.8K views 579 likes 22 dislikes 15 Feb 201752% match

Sequence Models and the RNN API (TensorFlow Dev Summit 2017)
Google for Developers
43K views 426 likes 18 dislikes 15 Feb 201751% match

TensorFlow High-Level APIs: Models in a Box (TensorFlow Dev Summit 2017)
Google for Developers
41.8K views 296 likes 15 dislikes 15 Feb 201747% match

Machine learning is not the future - Google I/O 2016
Google for Developers
175.5K views 928 likes 525 dislikes 06 Jun 201627% match

Which Juicer is the Best? Juicing Technology Comparison Video
EUJUICERS.COM
597.8K views 4.4K likes 287 dislikes 21 Apr 201626% match

Horizon - Urs Hölzle - Infrastructure for the Long Term
Google Cloud Tech
7.6K views 71 likes 0 dislikes 17 Oct 201626% match

Chrome Dev Summit 2014 Highlights
Google for Developers
766.5K views 67 likes 21 dislikes 14 May 201525% match

VR & Cinema - Google I/O 2016
Google for Developers
76.6K views 683 likes 47 dislikes 19 May 201625% match

VR at Google - Google I/O 2016
Google for Developers
73K views 484 likes 16 dislikes 19 May 201625% match

Open Source TensorFlow Models (Google I/O '17)
Google for Developers
59.2K views 1.2K likes 15 dislikes 18 May 201724% match

Developer Keynote (Google I/O '17)
Google for Developers
116.9K views 1.1K likes 67 dislikes 18 May 201724% match

Google Developers Channel - Trailer
Google for Developers
181.5K views 116 likes 21 dislikes 03 Sep 201523% match

Coming to a Chromebook near you - Google I/O 2016
Google for Developers
156K views 836 likes 27 dislikes 03 Jun 201623% match

What's New with Project Tango - Google I/O 2016
Google for Developers
113.5K views 757 likes 15 dislikes 19 May 201623% match

Effective TensorFlow for Non-Experts (Google I/O '17)
Google for Developers
307.6K views 3K likes 167 dislikes 18 May 201722% match


Settings Privacy About Contact Donate