谷歌开发者节DevFest&TensorFlow Day,约~

10月24日是普天同庆的 1024 程序员节!改变世界的工程师小哥哥小姐姐们,祝你们节日快乐!GDG Shanghai 献上开发者节,普天同庆!预告:文末有大礼。

由 Google 发起并由全球各地 GDG 社区单独组织的盛大活动 GDG DevFest,在上海已经有 7 年时光了,往年的 DevFest 我们都是邀请很多大咖来给大家分享新技术新想法,干货满满,今年为了让更多的开发者、设计师、科技公司企业家、互联网从业者深度参与到 DevFest 中来,我们特意做了改变,采用黑客马拉松、主题演讲、实践工作坊、互动展区等多种形式全方位与大家进行交流,希望能够帮助大家在自己的行业有所建树的同时,能够为用户带来更幸福的数字体验,让我们一同建立一个更完美的数字世界!

我们很高兴的告诉大家,今年 TensorFlow Day 将与 DevFest 共同举办,由谷歌专家为大家带来 TensorFlow 最新技术及应用案例,同时开展TensorFlow 诊疗室,与大家进行面对面沟通。

活动信息

活动:Design Sprint Hackathon

时间:11 月 17 日 - 18 日

规模:100 人

地点:徐汇区田林路 142 号华鑫科技园慧享中心小白楼

主题:Build for Digital Wellbeing

报名:http://www.huodongxing.com/event/4458765453500

活动:DevFest & TensorFlow Day 2018 上海站

时间:11 月 25 日

规模:1000 人

地点:漕宝路 1688 号诺宝中心酒店一楼兰晶剧场

主题:Build for Digital Wellbeing

报名:扫码报名

本次活动分为两部分

1

前期 Hackathon 将在 11 月 17 日举办,为期两天。

本次 Hackthon 将以时下最流行的谷歌创投工作方法 Design Sprint 的形式组织大家进行设计和开发,要求参赛者在比赛结束时提交一份可用于展示的产品或方案进行评比。比赛现场会为每个参赛队伍配备一名Sprint Master,同时我们邀请了各个行业的专家组成了专家顾问团,随时为参赛选手答疑解惑,真可谓是一场高配版 Hackathon!

胜出的团队可以在 1000 人的 DevFest 大会现场做 Presentation,同时 GDG 会与合作伙伴一起倾力推动宣传与报道。

Hackathon 更详细的介绍及报名请扫码看这里:

2

11 月 25 日大会当天则包含 Theme Talk,CodeLab,Workshop,Show Case 四种形式。

Theme Talk 环节会围绕 TensorFlow、人工智能、谷歌云等技术研究话题,邀请谷歌专家及各界权威人士与大家进行探讨;

TensorFlow  CodeLab 会由谷歌资深工程师亲自为大家做精简的 TensorFlow 入门指导,基于TensorFlow 的 Eager Execution(动态图)模式,力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow。报名通过审核后,将统一线上指导,提前预装环境和其他工作。

Image Recognition Workshop 由燎原链 CTO 为大家带来人脸情绪识别模型,手把手教你用代码读懂女友的表情哦;

Show Case 将为大家带来 Hackatnon 胜出者产品展示、技术体验区,更设置有 TensorFlow 诊疗室,让谷歌专家为你面对面答疑解惑

这些大咖嘉宾将于你见面

日程安排

DevFest & TensorFlow Day 主会场安排:

09:00 - 09:30 签到

09:30 - 09:50 李锐《TensorFlow 拓展 AI 商业应用的新可能》

Google AI 的使命,就是将 AI 的福祉惠及所有人。AI 正以史无前例的方式帮助实现 Google 的使命,即通过崭新的强大的方式组织和优化信息,使之能为人所用。当人人皆可享用 AI 时,它的福祉便能实现最大化,这就是为何Google正致力于发展所有 AI 计划和产品,以期帮助研究者、开发者和企业在攻克重大问题时减少障碍、提升效率。我会和大家一起探讨谷歌在人工智能方面的工作,其中会包括 TensorFlow 在中国的发展,比如 TensorFlow 生态系统,谷歌想如何与中国(从顶级合作伙伴到普通开发者)进行合作,从而让他们能在人工智能时代中更具生产力和创新性。

09:50 - 10:35 顾仁民《TensorFlow Extended》

介绍TFX这一生产系统级别的基于TensorFlow的机器学习平台,覆盖数据分析,转换,验证,模型分析,模型服务等内容。

10:35 - 11:25 Shirley Wang《使用 GCP AutoML 定制机器学习模型》

主要围绕 GCP AutoML 这个产品,介绍转移学习(transferred learning),评价模型(model)的方法,讲述如何准备训练机器所用的数据集,如何评价模型(model)等。即使不是数据科学家,也可以借助AutoML训练出高质量的机器学习模型。

11:25 - 12:00 Hackathon 获奖作品展示环节

前期马拉松环节获奖的团队,将在这里展示他们的落地应用。

12:00 - 13:00 拍照 & 午餐

为了方便大家参会,缓解会议压力,我们为大家准备了35元的超值简餐预订,让大家不用跑出会场去觅食。活动现场不再接受额外订餐,请大家务必提前预定哦~还没有预订餐点的小伙伴请尽快关注邮件信息。

13:00 - 13:45 钟声《应用于实时视频通信的深度学习算法研究》

主要讲解深度学习在实时视频通信领域有哪些应用,目前实时视频通信领域具有哪些挑战,以及深度学习如何解决这些挑战。

13:45 - 14:30 江骏《TensorFlow Hub & Tensor2Tensor

本次分享将介绍 TensorFlow Hub 的设计理念,用法,与普通的模型仓库的区别,能帮助我们解决什么问题,以及如何来搭建这个服务。同时将结合实际例子来演示 TensorFlow Hub 和 Tensor2Tensor,对二者进行比较,帮助大家懂得如何选择。

14:30 - 15:00 茶歇

15:00 - 15:45  Robert Liu《深度解析 AI 在无人机上的应用》

主要讲解 TensorFlow 和大疆 SDK ,针对大疆 SDK 开放的无人机数据,为大家讲解无人机数据使用路线图和无人机数据使用场景举例等。

15:45 - 16:30 Palances Liao《PWA/AMP 技术解析及 Web 趋势洞察》

本次分享将会讲解 PWA/AMP 技术最新概览及最佳实践方式,同时将为大家深入分析 Web 未来趋势和机会。

16:30 - 16:40 互动 & 抽奖

现场为大家准备的丰厚的互动奖品,更有神秘大礼将在现场抽取,更多惊喜请到现场来发现!

16:40 - 17:20  彭靖田《TensorFlow Eager》

TensorFlow DataFlow 计算模式一直以效率高和调试难闻名江湖。一方面,通过XLA和编译器技术可以显著提升计算速度;另一方面,静态的 DataFlow 无法实时编译运行,使得复杂模型的调试异常困难。

本次分享,彭靖田将主要聚焦 TensorFlow 2.0 主推的计算模式——Eager Execution。首先,他会介绍 Eager 的设计原则与理念。接着,他会以简单的模型入手展示 Eager 最佳实践;最后,他将对比 Eager 与 DataFlow 这两种计算模式的异同与选择建议。

17:20 - 18:30 吴翔彬《借助公链和联盟链构建融合基础设施》

本次分享将分为 3 个方向:1.区块链可扩展性,问题和提议; 2.解决方案实践经验; 3.面临的技术挑战和方案演进。

DevFest & TensorFlow Day 分会场安排:

13 : 00 - 15 : 30  TensorFlow CodeLab By 李锡涵

本次 CodeLab 是精简的 TensorFlow 入门指导,基于TensorFlow 的 Eager Execution(动态图)模式,力图让具备一定机器学习及 Python 基础的开发者们快速上手 TensorFlow. 

想要参加 CodeLab 的同学,请在报名时勾选,报名结束后,我们会统一筛选并发送邮件,进行提前学习。

对参会者的要求:

具备 Python 基础

具备数学基础(如线性代数、微积分)

机器学习/深度学习的概念(如CNN、RNN、强化学习)稍有了解

在参与前必须已经配置好 Python 和 TensorFlow 环境,配置好适合的 Python IDE(如PyCharm),环境配置方法请参考 https://tf.wiki/zh/installation.html (中文)或 https://tf.wiki/en/installation.html (英文)

必须携带已配置好环境的笔记本电脑前来场地。

14:30 - 15:00 茶歇

16:00-18:00 Image Recognition Workshop By Jacky陈罡政

以简易的案例明白一个人工智能建模、训练以及测试和作为应用生产的完程过程。范例中会对图像中的人物进行性别及情绪辨识, 并最终以应用的方式实时显示结果,让与会者感受到人工智能模型开发中的乐趣及完成模型时的成功感。

想要参加 Workshop 的同学,请在报名时勾选,报名结束后,我们会统一筛选并发送邮件,进行提前学习。

对参会者的要求:

系统:Win 10 系统,预载 Centos7 或 ubuntu16.04 或以上设备

硬件:需要有 Nvidia 970 以上显卡 CPU 需要支持 SSE 及AVX 

安装:Nvidia Docker installation: https://github.com/NVIDIA/nvidia-docker

Git clone from URL: https://github.com/chankongching/testcases

这次活动能够进入筹备,提上日程,除了要感谢谷歌爸爸的全方位照顾,感谢众多嘉宾们不吝分享,还要感谢来自各个行业的志愿者小伙伴们辛劳付出。最后,对本次活动给予大力支持的各个企业及社区也一并表示感谢!

关于我们

GDG , 即 Google Developer Groups 谷歌开发者社区,是谷歌开发者部门发起的全球项目。 GDG 是面向对 Google 和开源技术感兴趣的人群而存在的公益性开发者社区,内容涵盖 Web/Chrome、Android 和其它 Google API 等。全世界各大城市都成立了自己的 GDG 社区,GDG Shanghai (上海谷歌开发者社区)也是其中之一。作为全球GDG 社区中最活跃的技术社区,GDG Shanghai 自创立之初就一直专注 Google 技术和开源技术为主的交流,基本每周都有 Meetup,我们服务 IT 男,更服务 IT 女!

最后的最后!再次放上大会报名链接!

走过路过就不要错过啦!

走过路过就不要错过啦!

阅读原文有马拉松详细说明哦~

原文链接:http://www.huodongxing.com/event/4458765453500

产业谷歌开发者节TensorFlow DayDevFest机器学习库TensorFlow
2
相关数据
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

TensorFlow技术

TensorFlow是一个开源软件库,用于各种感知和语言理解任务的机器学习。目前被50个团队用于研究和生产许多Google商业产品,如语音识别、Gmail、Google 相册和搜索,其中许多产品曾使用过其前任软件DistBelief。

张量技术

张量是一个可用来表示在一些矢量、标量和其他张量之间的线性关系的多线性函数,这些线性关系的基本例子有内积、外积、线性映射以及笛卡儿积。其坐标在 维空间内,有 个分量的一种量,其中每个分量都是坐标的函数,而在坐标变换时,这些分量也依照某些规则作线性变换。称为该张量的秩或阶(与矩阵的秩和阶均无关系)。 在数学里,张量是一种几何实体,或者说广义上的“数量”。张量概念包括标量、矢量和线性算子。张量可以用坐标系统来表达,记作标量的数组,但它是定义为“不依赖于参照系的选择的”。张量在物理和工程学中很重要。例如在扩散张量成像中,表达器官对于水的在各个方向的微分透性的张量可以用来产生大脑的扫描图。工程上最重要的例子可能就是应力张量和应变张量了,它们都是二阶张量,对于一般线性材料他们之间的关系由一个四阶弹性张量来决定。

无人机技术

无人机(Uncrewed vehicle、Unmanned vehicle、Drone)或称无人载具是一种无搭载人员的载具。通常使用遥控、导引或自动驾驶来控制。可在科学研究、军事、休闲娱乐用途上使用。

强化学习技术

强化学习是一种试错方法,其目标是让软件智能体在特定环境中能够采取回报最大化的行为。强化学习在马尔可夫决策过程环境中主要使用的技术是动态规划(Dynamic Programming)。流行的强化学习方法包括自适应动态规划(ADP)、时间差分(TD)学习、状态-动作-回报-状态-动作(SARSA)算法、Q 学习、深度强化学习(DQN);其应用包括下棋类游戏、机器人控制和工作调度等。

暂无评论
暂无评论~