Sono Kaz Sato Sono un sostenitore dello sviluppo
per la piattaforma cloud di Google e sono anche un
lead tecnologico per il team di analisi dei dati
e ho lavorato a Google per
oltre cinque anni e per l’ ultimo e
un anno e mezzo ho lavorato come
lo sviluppatore sostiene di avere un
presentazione come questa in molti eventi così
in queste sessioni mi piacerebbe parlare
questi ordini del giorno ma prima mi piacerebbe
introduzione introduce il concetto di
rete neurale e apprendimento profondo e come
funziona con dimostrazioni molto grandi
e anche io vorrei introdurre come
Google ha implementato quelli neurali
tecnologie di rete alla folla di Google
e poi coprirò il
tecnologie e prodotti che sono
effettivamente fornito come un prodotto da
Piattaforme cloud di Google quindi cosa è
rete neurale quindi la rete neurale è a
funzione che può imparare dalla formazione
set di dati quindi se si desidera avere più recente
le reti per fare il riconoscimento dell’immagine quindi
puoi mettere l’ immagine del gatto per esempio
convertito in un vettore di carico e quindi
metti quel vettore nelle reti allora
alla fine avresti un altro risultato
vettore che rappresenta le etichette di
gli oggetti rilevano come gatto o umano
faccia in modo che sia progettato per imitare il
comportamento di nuovi all’interno del cervello umano
usando le operazioni con le matrici così effettivamente
è davvero ha matrice molto di base
solo le operazioni non ci sono
matematica sofisticata o di fantasia
su tutto ciò che fai con neurale
reti hai se si matrice
operazioni che abbiamo imparato in alto
scuola per esempio il vettore di input può
noi presentiamo rappresentano l’immagine del gatto
allora avranno un vettore che lo farebbe
avere i dati dei pixel convertendoli in a
veterinario
e otterresti un altro vettore di output
di conseguenza rappresenta l’etichetta di
le immagini rilevate in questo caso tu
avrà il numero qualsiasi più vicino al
1.0 che indica le reti neurali
pensa che l’immagine debba essere un gatto ma tu
penso stia succedendo all’interno delle tue reti
è molto semplice tutto ciò che stai facendo
la rete neurale è la matrice operativa
come WX più B è uguale a dove è il WS
sono pesi e B sono bias e
in realtà non c’è bisogno di preoccuparsi
quelle WS e B sono a tutto ciò che hai lasciato
i computer trovano e calcolano il WS e
B è tutto ciò che devi preoccuparti è il sì
che tipo di dati vorresti inserire
nelle reti e che tipo di
risultato che vuoi ottenere, prendiamo un
guarda alcuni interessanti
dimostrazione di reti neurali per
esempio se hai un problema come questo
le classificazioni molto semplici come te
può usare reti neurali per fare il
classificazioni di questi due diversi
set di dati non sono sicuro di quello che quelli
punto dati significa, ma prendiamo un passaggio
immagina che quelli siano i dati del
pesi e altezza delle persone in modo che se
il peso e l’altezza di una persona sono entrambi
forte e puoi pensare che lui o lei deve essere
un bambino o forse lui o lei potrebbe essere un
come in che modo puoi classificarli se
ti stai usando se cerchi di usare neurale
reti per fare questo problema, allora puoi
basta applicare la stessa equazione WX più B
uguale a Y devi fare due
classificazioni così stai mettendo il
numero di peso e numero di altezza qui come
un vettore e ottieni un risultato in un vettore
come questo dove se tu se quello singolo
i punti dati non sono classificati come adulti
allora ne avresti uno qui e se lo è
un bambino allora ne avresti uno qui
e la cosa è che il computer cerca di trovare
la combinazione ottimale di
parametri come i pesi e
pregiudizi da solo e non si deve
pensa a che tipo di parametri tu
devi impostare su reti neurali computer
lo fa per te quindi diamo un’occhiata a
la vera dimostrazione hai visto?
così posso farlo così bene, invece di
gli umani lasciano istruire il computer
apprendimento sai che non c’è bisogno di
insegnare ai computer come risolvere questi
problemi ma tutto ciò che devi fare
è fornire il set di dati di allenamento in modo che
il computer pensa da solo a ottimizzare
la combinazione dei parametri tali
come pesi e pregiudizi, così lo vedi
il computer sta cercando di cambiare il
pesi per fare le classifiche a
tasso di successo ottimale e ora il computer è
l’uso di un algoritmo è chiamato gradiente
set lee che significa che cerca di aumentare
o diminuire ogni peso e bias a
avvicina le combinazioni attraverso il
maggiore accuratezza o bassa perdita di ardesia così
è proprio come stiamo imparando le cose
dai genitori o ci può essere un
persone anziane nella vostra azienda dove voi
queste persone minori o questi bambini sono
imparare da molti molti errori così
il computer fa molti errori ma dentro
la fase iniziale ma se fornisci
molto più set di dati di allenamento di
computer utilizzando la discesa del gradiente
gli algoritmi cercano di minimizzare i guasti
quindi è così che funziona, quindi facciamolo
dai un’occhiata a un altro interessante
dimostrazioni di nuovi o reti in cui
hai l’altro set di dati di allenamento
come questo non sono sicuro di cosa lo faccia
significa, ma pensiamo che ne abbiamo un po ‘
set di dati che richiede un complesso
classificazioni se hai un programma
forse con questa impostazione di dati è possibile
vuoi utente forse equazioni per cerchio
per classificare i due dataset attraverso
set di dati e organizzare una malattia ma da
usando le reti più nuove che puoi semplicemente lasciare
cose al computer come risolverlo ora tu
ho visto che il computer stava cercando di creare un
modello per classificare i set di dati di
usando i cosiddetti neuroni nel nascosto
strati con il primo esempio che non abbiamo
avere degli strati nascosti ma con questo
dati complessi che avresti bisogno di usare
gli strati nascosti che significa tra il
dati di input e i neuroni di uscita voi
avrebbe un altro strato tra di loro
ce ne sono molti nuovi e ciascuno
quelli nuovi fanno cose molto semplici questi
i neuroni classificano solo se i dati
i punti sono in rosso in basso a sinistra
area o l’area in alto a destra o ora
questi neuroni solo classifica se
i punti dati sono a sinistra oa destra
proprio così, ma combinando quelli
uscite all’ultimo neurale neurale
rete quindi le reti neurali possono
componi un modello molto più complesso come
questo e se ne hai sempre di più nuovi
quindi i neuroni all’interno degli strati nascosti
le speculazioni delle specifiche di rete
può essere molto più accurato come questo così
qui aggiungendo altri livelli nascosti con
più nuovi devi spendere molto
più potenza di calcolo ma allo stesso tempo
tempo in cui le reti neurali possono comporre
modelli ed estratti molto più complessi
i modelli dal grande set di dati come
su questo proviamo che questo è un dato
modello chiamato doppia spirale se si è
un programmatore e il tuo regista o cast
ti ha chiesto di combattere contro questo tipo di
data set quale tipo di programma
ti chiamavi guida vuoi scrivere?
molte dichiarazioni di problemi o switch
provare con molte soglie
controllando le partizioni x e y no I
non voglio farlo invece lo farei
si prevede di utilizzare le reti neurali in modo che
le reti neurali cercano di guardare il
punti di dati nei set di dati per trovare il
schemi ottimali nascosti all’interno del
set di dati di formazione che è giusto così
questo è il posto in cui le tue reti possono
superare la performance umana umana
prestazioni dei programmatori che può estrarre
quei modelli nascosti all’interno del
set di dati di allenamento e non devi
specificare qualsiasi elemento decorativo
non devono avere caratteristiche reali di
la mano umana invece i computer possono trovare
i modelli dal set di dati di allenamento
così perché le persone sono così eccitate
le reti neurali e quelle profonde
conoscere questo, quindi se hai il
problemi della calligrafia identificativa
testo è ancora possibile utilizzare il molto semplice
GW Express peep equivale al tipo di
le reti neurali da attraversare trovano questo
scrittura a mano prende le reti
venire con modelli complessi di malattia
l’impilamento classifica queste immagini nel
vettori anno con le etichette come un
otto o sette o sei se vuoi di più
accuratezza di quante ne avresti di più no
più pericoli nascosti in modo che tu tu
potrebbe diventare come un 85 o 95 o 98 come un
machine come su questo come puoi
classificare queste immagini di gatti usando
reti neurali devi averne molte
più strati di reti neurali che è
le cosiddette reti neurali profonde
questo non è un diagramma è chiamato inizio
modello modello 3 è stato pubblicato
da Google l’anno scorso in cui abbiamo usato
240 livelli nascosti in una singola neurale
progettazione della rete quindi ci vuole molto di più
potere di calcolo e tempo ma ancora noi
può
competizioni molto più complesse come questa
conosci i nuovi più vicini al
il vettore di input potrebbe imparare molto semplice
il modello di rugby è come lo sai verticale
linee o l’aumento orizzontale ma il
i neuroni più vicini al vettore di uscita
potrebbe imparare schemi molto più complessi
o composizioni come occhi naso o
volto umano di nuovo non abbiamo messo alcun
caratteristiche dei modelli incorporati nel
reti neurali prima dell’allenamento ha fatto in modo
tutto può essere addestrato dai dati
impostato
sì usando la potenza di calcolo così
questo è il modo in cui la rete neurale e profonda
apprendimento opere, ma come ho già detto che
richiede tanto tempo di calcolo e
formazione di set di dati per utilizzare le pianificazioni
per i progetti di produzione quindi ci sono
due grandi sfide in questo momento per il
utenti per i percorsi profondi e questo è
perché continuare a correre non è stato così
è popolare per voi ragazzi una volta che abbiamo risolto
questi problemi raka avranno un sacco
del potere di calcolo con la stampa
set di dati di allenamento quindi puoi facilmente
applicare una rete neurale così profonda da apprendere
i tuoi problemi esistenti se sei un gioco
programmatore potresti voler applicare il
apprendimenti profondi per analizzare gli equipaggiamenti che sei
i log del server del registro di gioco per verificare
se un giocatore potrebbe essere un cheatin
giocatore o ufficio dello spammer meteo o se
tu web designer o ingegnere dei sistemi web
per il sistema pubblicitario, quindi potresti volerlo
applica i log per la conversione o
Portata rapida e rapida per i nostri registri su neurale
rete in modo da poter ottenere si può avere
computer per imparare dall’anno come registro
per ottenere più ottimizzazione, ma devi
avere potenza di calcolo e dati di allenamento
quindi questo è il motivo per cui abbiamo iniziato
utilizzando Google cloud per allenarsi in grande
scala della rete neurale di Google ha cloud
racchetta e
centinaia di migliaia di macchine nel nostro
data center in tutto il mondo e lo siamo stati
costruendo quei computer ai dati
centro come un computer non solo un mucchio di
i computer che costruiscono Switzer che progettiamo
ogni Craster che tiene come un dieci o
ventimila server che lavorano come
computer singolo con più CPU
quindi questo è il motivo per cui siamo in grado sia
non è così difficile per noi schierare provare
le reti neurali di scala o le probabilità possono essere
creato Processing’s al nostro google cloud
se ci sono due fondamentali molto fondamentali
tecnologie all’interno di Google
supporta il data center del computer
uno è la rete che stiamo costruendo
il nostro supporto hardware per la rete
cambia tessuto chiamato jupiter
reti così noi unione non stiamo usando
la rete commerciale passa per la maggior parte
casi come Cisco o ginepro
router quelli non sono mainstream dei nostri
nuove nostre dorsali di rete che abbiamo
stato costruendo il nostro hardware che può
tenere come un centinaio di vasi da 10
Porte Gigabit Ethernet in grado di mangiare a
un punto per accarezzare un po ‘al secondo per
il nostro datacenter così che sono le reti
abbiamo a Google e contengono anche a
la tecnologia chiamata Borg bo è la nostra
tecnologie proprietarie del contenitore noi
ho usato per oltre 10 anni per
distribuzione o quasi tutti i servizi di Google
come la ricerca di Google o Gmail o Google
Mappe
conto di container sfusi fino a
10.000 o 20.000 server fisici in a
cluster singolo in modo da poter fare il
pianificazione del lavoro su larga scala proprio il
programmazione dei cicli o della memoria della CPU
spazi o disco i / os con quella scala così
questo è il motivo per cui puoi implementare il tuo
singole applicazioni come la neurale
formazione in rete o grandi dati
elaborazione in forse centinaia o
migliaia di macchine con una singola terra
di comando predefinito
e il cervello di Google è il progetto in cui noi
hanno iniziato ad applicare il cloud di Google
tecnologia 2d per costruire una grande scala
reti neurali questo progetto è iniziato
nel 2011 e in questo momento il cervello di Google
è stato usato per molti molti
progetto di produzione in Google e veloce
la scalabilità di Google Google cervello
progetto per esempio rankbrain rankbrain
sono i nostri algoritmi GU che stiamo usando
la classifica del servizio di ricerca di Google
in questo momento dall’anno scorso che è stato
utilizzando l’infrastruttura del cervello Google di Google
e con cinquecento nodi e che può
eseguire a trecento volte più veloce
rispetto al nodo singolo, quindi questo significa che tu
stanno allenando il tuo modello di apprendimento profondo
con server singoli, quindi, si dovrebbe prendere
300 volte più lungo rispetto ai tecnici di Google
e l’ inizio è il modello per il
riconoscimento visivo visivo possiamo usare 50
GPU per accelerare le prestazioni a 40
tempi più veloci così che la ragione sono quelli
il motivo per cui Google è stata così forte
applicando la corsa profonda per il
progetto di produzione come alphago
Frady abbiamo la serie del nucleo
partite con il nucleo professionale che hanno
ho usato il cervello di Google
infrastruttura per la formazione pure
come la previsione della partita di Google
La ricerca di Google ha usato profondamente
il cervello dall’anno scorso e abbiamo
stato utilizzando l’apprendimento automatico
tecnologie per l’ottimizzazione dei dati
operazione centrale e anche o lei nostra
elaborazione del linguaggio naturale e visivo
riconoscimento del riconoscimento vocale tale
come le foto di Google ciò che ha espresso il
convenzioni degli androidi che abbiamo finito
60 progetti di produzione che è stato
usando il cervello di Google e approfondimenti
per durare un paio di anni ora abbiamo
ha iniziato a esternalizzare questo potere di
Google cervello agli sviluppatori esterni
il primo prodotto si chiama visione della folla
API e il secondo prodotto è chiamato
API crowd vision API crowd è un
analisi delle immagini IPA che fornisce il
modello pre-addestrato in modo da non dover
allenare la tua rete neurale e te
inoltre non devi avere alcuna abilità
impostato per l’apprendimento automatico così è
solo su REST API si può solo caricare
la tua foto all’API poi la ripeti
ricevere risultati JSON in pochi secondi
c’è il risultato dell’analisi e
è libero di iniziare a provarlo
1.000 immagini al mese ed è generale
generalmente disponibile in questo momento, così è
pronto per essere utilizzato per la produzione
progetto ha sei diverse caratteristiche per
essere rilevato rilevamenti labiali significa che
puoi inserire qualsiasi etichetta o categoria
eventuali immagini che hai caricato per esempio se
caricando le immagini dei gatti, quindi
API restituirà gli arabi tale
come possono fare le rilevazioni del volto di un gatto o di un animale domestico
rileva la posizione del volto nell’immagine
OCR Posso convertire il testo sull’immagine in a
mezzi di rilevamento del contenuto esplicito di stringhe
che puoi controllare se le immagini
può contenere le immagini contengono il
immagini adulte o violente sul nostro punto di riferimento
il rilevamento può rilevare la posizione del
immagini o luoghi popolari e puoi
anche rilevare il prodotto o aziendale
ruolo diamo un’occhiata al
dimostrazione
quindi mi piacerebbe mostrare una dimostrazione di
video all’inizio questo è il
dimostrazioni usando il Raspberry Pi
robot che invia l’immagine alla divisione
La cloud vision API fornisce un’immagine potente
capacità di analisi come facile da usare
Api consente agli sviluppatori di applicazioni
per costruire la prossima generazione di
applicazione che può vedere e capire
il contenuto all’interno delle immagini il
il servizio è basato su un potente computer
modelli di visione che alimentano diversi a fermi
Servizi di Google abilitati al servizio
gli sviluppatori di rilevare un ampio set di
entità all’interno di un’immagine da tutti i giorni
oggetti ai volti nei loghi dei prodotti
il servizio è così facile da usare come un esempio
dei casi d’uso si può avere qualsiasi
Raspberry Pi robot come gulp I go
chiamare direttamente l’API di cloud vision così
il grande può sommare le immagini prese da
la sua fotocamera al cloud e può ottenere il
risultati dell’analisi in tempo reale che rileva
facce nell’immagine insieme al
emozioni associate l’API di visione cloud
è anche in grado di rilevare entità all’interno
l’immagine ora vediamo come facciale
rilevamento funziona rilevamento di visione a nuvola
spazi sulla foto e restituisce il
posizioni degli occhi naso e bocca così tu
può programmare il bot per seguire la faccia
rileva anche emozioni come la gioia
rabbia sorpresa e tristezza quindi il fondo
spostato verso volti sorridenti o evitare
la rabbia o la sorpresa affrontano uno dei due
caratteristiche interessanti dell’API di cloud vision
è il rilevamento dell’entità che lo indica
rileva tutti gli oggetti che ti piacciono
i visitatori cloud amano gli sviluppatori
vantaggio dell’ultima macchina di Google
tecnologie di apprendimento abbastanza facilmente
vai alla barra cloud.google.com
visione per saperne di più e ne ho un’altra
interessanti dimostrazioni fatte
utilizzando la API di visione che se questo è
chiamate dimostrazioni di vision explorer
dove abbiamo importato 80.000 immagini
scaricato da Wikimedia Commons e
caricato nell’archivio Google Cloud e
applicato l’analisi dell’API di visione quindi qui
abbiamo il cluster delle immagini Si tratta di
80 mila immagini e ogni cluster ha
le etichette come la neve o il trasporto
zona residenziale significa che il
cluster delle immagini simili per
esempio se dai un’occhiata qui andiamo
vai in una pianta così ogni singolo punto
rappresenta la tua miniatura del
immagini caricate quindi se si va al
pianta
Craster ci deve essere un gruppo di
oh, oh, non sta mostrando perché farlo
me lo ridisegno forse perché sto usando
tethering
okay, andiamo direttamente al gatto
cluster quindi in questo cluster ne abbiamo molti
molti gatti e più vicino al gatto cora
abbiamo la crosta per i cani torniamo indietro
al cat cluster e se si fa clic su
immagine miniatura e sarai
vedendo il risultato dell’analisi dall’API
proprio questo l’ API pensa che questo deve essere un
imita il gatto ed è un gatto come animale domestico o
deve essere un British Shorthair
quindi queste sono alcune cose che puoi fare
con la tecnologia di deep learning e
questi risultati vengono restituiti in un JSON
formato eretto e con statistiche
allunga possiamo mostrarlo in una GUI se
immagine contiene tutto il testo al suo interno poi
possiamo tornare convertirlo in
esempio estremo con questo si può avere
la corda come questi tre canguri
incrocio accanto a te immagini se immagini
contiene facce anche questa API no
supportare qualsiasi identificazione personale o
il riconoscimento personale ma può
rilevare la posizione dei volti con
punti di riferimento come il naso e
bocca e anche in grado di riconoscere il
emozioni come gioia e rabbia
e sorprendente in questo livello di confidenza
e se la tua foto contiene qualcosa di popolare
luoghi come questa cena API può
restituire il nome del punto di riferimento dell’API
pensa che deve essere un’immagine della Citi
Field Stadium di New York con il
longitudine e latitudine quindi puoi facilmente
in un mise un pennarello su Google Maps
è troppo lento, quindi lo sto tagliando anche io
è possibile rilevare il prodotto e aziendale
robot
come questo Android, questo è stato questo
API di visione quindi è pronto per essere utilizzato
qualsiasi applicazione e un’altra API
chiamato speech API che fornisce anche
il modello pre-addestrato per la voce
riconoscimento quindi non devi avere
qualsiasi set di abilità o esperimenti con il
riconoscimento vocale o formazione neurale
reti per farlo è giusto
sulle API REST e G RPC API così puoi
basta caricare i dati audio nell’API
e riceverai un risultato nel
pochi secondi supporta oltre 80
lingue e dialetti supporta entrambi
riconoscimento in tempo reale e batteria
riconoscimento l’API è ancora limitata
anteprima quindi se vai al discorso
discorso cloud.google.com quindi devi
firmare con il modulo per l’immediato
accesso in anteprima limitato ma speriamo di farlo
renderlo pubblico meglio forse in una coppia
di settimane suppongo che mostriamo un po ‘
dimostrazione non sono sicuro se questo funziona
nel caso o meno perché questo è il
prima volta per provare questo e e ho
alcuni problemi di accento quindi non sono sicuro di me
davvero non sono sicuro se funziona o meno ma
meglio, ciao, questo è un test di I
penso che non funzioni
forse il raduno sta diventando così lento
ciao questa è una prova di voce
barra di riconoscimento di Google Cloud machine
imparando oh si
quindi il risultato finale è che non sai male
giusto e hai visto anche la risposta veloce
in modo da poter ottenere il risultato del riconoscimento
nel recente un secondo distretto Iraq a 0.5
secondi in tempo reale, quindi quelli sono i
api e ma quelle api sono qui
modello pre-addestrato in modo che significa che tu
non posso allenare il tuo modello con quelli
aps e bene uno se noi paese
le domande poste a quelle api sono quelle
se il google lo sarà, lo saprai
guardando le immagini caricate o il
dati audio per addestrare il tuo modello o
facendo qualche ricerca in più e come lo so
quelli api saudita tutti i nostri prodotti sono
è fornito dalla piattaforma cloud di Google
è sotto i termini e le condizioni di DCP
che ha qui alcune sezioni per il
dati dei clienti dei clienti che non guardiamo
i dati del cliente tranne per il molto
casi speciali per la risoluzione dei problemi o
situazione di emergenza quindi in sostanza noi
non guardare i dati del giroscopio caricati su
la nuvola ma allo stesso tempo così tu
può così l’APS non può allenarsi non può fare
i corsi di formazione per i tuoi dati o il tuo
applicazioni, ecco la ragione per cui noi
fornire le altre opzioni per la macchina
imparando con uno stampino o una macchina cloud
apprendendo gli altri schemi d-dick e
piattaforme che possono essere utilizzate per addestrare il tuo
il proprio set di dati forma la propria macchina
apprendimento e rete neurale ciò che è 10
quindi per tensile Pro è un open-source
driver della vostra intelligenza macchina noi
hanno pubblicato le librerie per ultime
Novembre e questo è il
quadro attuale che stiamo usando ora
noi tramite Google ricerca del cervello di Google
squadra quindi non è qualcosa di
obsoleto o rimanere fuori dal più tardi
quadro di apprendimento automatico che stiamo utilizzando
sono al momento su Google per esempio se
vuoi progettare questo
ristorante lavoro swag DW Express Pico perché
puoi usare Python per scriverlo in a
una sola riga di codice Roxas che puoi inserire
l’immagine del gatto qui questo vettore e
allora avresti un vettore di output
che rappresenta le etichette della
oggetti rilevati come un gatto o un essere umano
faccia e puoi lasciare che i computer trovino
le obiezioni e i pregiudizi, quindi è così semplice
ed è anche molto semplice da addestrare
le tue reti perché puoi semplicemente scrivere
questa singola linea per avere le tue reti
addestrato per il set di dati di allenamento di
usando specificando l’ algoritmo
Il gradiente di Stryker non è impostato
per implementare il proprio procedurale
codice o chiamato – implementando ciascuno
la logica di ottimizzazione in realtà non lo sono
bravo in matematica o in quelli machine learning
algoritmi ma posso ancora copiare e
incolla il codice di esempio sul mio laptop e
Sto pregando con i miei set di dati persi
e così via in modo da poter semplicemente lasciare il
coro per i runtime di fare il
ottimizzazione e anche lo strumento fornisce
sei un ottimo strumento di visualizzazione così
uno dei problemi che abbiamo avuto su Google
applicare le reti neurali al
problema di produzione è il
debugging quindi se ne hai molti di più
strati nascosti all’interno delle reti neurali
devi controllare tutte queste fasi
dei parametri se i parametri
stanno convergendo nella giusta direzione o
i parametri potrebbero essere sai andare
via e avendo un numero sbagliato come a
na o 0 altrove, quindi è davvero
importante per visualizzare cosa sta succedendo
dentro nelle tue reti e in tensorflow
fornisce lo strumento e anche il
la portabilità è un altro aspetto importante
del quadro così una volta che hai
ha definito le tue reti neurali con
Codice Python di tensorflow quindi puoi
inizia a correre tu e sei pronto a lavorare
allenamento o predizione con il tuo laptop
come un Mac o Windows Raptor ma tu
scoprirai che il tuo laptop è troppo lento
per provare la neurale profonda alla moda
reti quindi forse potresti volerlo presto
compra qualche lezione di GPU e invece di forse
2 o 3 GB perché in una sola casella ma
di solito ne bastano pochi
giorni di solito un paio di giorni o forse alcuni
persone che trascorrono alcune settimane a fare il
corsi di formazione sulle loro reti neurali così
richiede così tanto tempo di calcolo
In quel caso puoi applaudire il tuo tensore
flusso grafico a Google cloud in modo che tu
può utilizzare la potenza delle tende o
forse centinaia di istanze GPU che abbiamo
stiamo lavorando su Google Cloud e anche
una volta terminato il tuo allenamento
quindi la dimensione dei set di parametri
potrebbe essere adatto alle nostre centinaia di
megabyte o decine di megabyte di te
può facilmente copiare i parametri in
i dispositivi più piccoli dispositivi mobili o
Dispositivi IOT come Android iOS o forse
Raspberry Pi in modo che tu sappia che puoi
avere quei dispositivi facendo la previsione
come il riconoscimento dell’immagine o la voce
conservazione senza l’utilizzo di Internet
connessione
tutto potrebbe essere implementato all’interno
la struttura di tensorflow e con il
all’ultimo I / O di Google era circa 1
mesi fa abbiamo annunciato un nuovo
tecnologia chiamata unità di elaborazione del tensore
questa è una sostituzione, non una sostituzione
forse una tecnologia complementare per il
GPU e CPU così lontani o forse proprio ora
i ricercatori delle reti neurali profonde
o gli sviluppatori esterni a Google stanno utilizzando
GPU principalmente per l’allenamento del neurale
reti perché è una matrice
operazioni e utilizzando GPU è possibile
accelerare l’ ufficio matriciale
dieci volte o forse 40 volte più veloce così
questo è ciò che tipico reti neurali
gli utenti stanno facendo adesso ma il
il problema dei dispositivi per GPU è il potere
consumo ogni consumatore registra 100
watt o 200 watt per scheda GPU e noi
stiamo avendo utilizzato migliaia di
loro in un Data Center di Google e potere
Concepcion sta diventando il Rogers
problema così da progettando l’Asics o
la direzione specifica per il
flusso tensoriale o reti neurali profonde
sono stati in grado di ridurre il potere
consumo e guadagna dieci volte
migliore per le nostre prestazioni – potente
prestazione per quale risultato e anche noi
utilizzare le tecniche speciali come il
quantizzazione bit piuttosto che usare a
32 bit o 16 bit per calcolare tutto
ogni operazione di matrice usiamo il
la quantizzazione colpisce un quantizzato nel
8-bit dove non c’è così tanto
perdita della precisione in modo che tu possa adattarti
parametri molto più grandi in un molto piccolo
l’impronta della memoria e abbiamo usato
GTP per molti progetti di produzione
già eseguito grigi alphago e google
i riconoscimenti del linguaggio delle foto sono tutti
ha usato i tepee da una coppia
mesi in realtà abbiamo usato il GPS
per meno di un anno e se tu
voglio sì siamo stati non ho
discusso descrivendo il potere di
il cervello di Google come il numero di
CPU e GP sono e se lo si desidera
utilizzare la potenza del marchio Google
infrastruttura ecco il prodotto noi
fornire ciò che si chiama cloud machine
apprendimento
l’apprendimento automatico delle macchine è completamente gestito
ambiente di formazione distribuito per
il tuo tester per il grafico così una volta che hai
scritto
ha scritto il tuo grafico del flusso del tensore e ha eseguito la corsa
sul portatile poi puoi caricare il
stessi tipi di rock per il grafico a Google
Cloud che impara l’apprendimento in modo che tu possa
specificare il numero del GPS che si desidera
da usare con il servizio suggerito
come 20 nodi o 50 note per fare il
accelerazione solo allenamento quando una folla
Mao è nell’anteprima limitata così tu
devi registrarti per iniziare a provare ma
forse suppongo che per il
disponibilità record pubblico migliore volontà
essere qualche volta più tardi in quest’anno se tu
vai su YouTube, quindi puoi prendere un
guarda la dimostrazione attuale di
kratom un budget di adolescenti dove hanno
dove ha presentato ha dimostrato il
possibilità reale di frode di grotessa basata
reti neurali che impiegano 8 ore con
nodo singolo ma se si carica lo stesso
grafico del flusso del tensoriale all’e-mail della folla
quindi puoi accelerare le prestazioni
fino a 15 volte più veloce che significa te
potrebbe ottenere il risultato degli allenamenti
entro 30 minuti anziché aspettare
per le 8 ore è la velocità che siamo
vedere all’interno di Google per qualsiasi profondità
imparare l’implementazione e noi esternalizziamo
il dispo a voi ragazzi per averti
utilizzando il potere per 40 sei per
risolvendo i tuoi problemi e anche
claudemir può essere usato per la produzione
così come non solo per l’allenamento e
anzi mo soluzioni che ha presentato a lui
ha dimostrato che l’ email della folla potrebbe
essere utilizzato per le previsioni del corpo a 300
metri al secondo, quindi quelli sono i
argomenti che ho trattato e ora abbiamo
due diversi prodotti uno è l’Amero
API è come una API di visione o API vocale
dove puoi semplicemente caricare i tuoi dati
per appannarsi in modo da ottenere il
risultati in pochi secondi e se vuoi
per allenare le tue reti neurali
allora puoi provare usando il
Apprendimento intensivo di rotoli o macchine crude
in modo da poter accelerare l’allenamento
sei su o sei sulla tua rete quindi
se dai un’occhiata ai link sul
risorse di questa lezione che puoi
inizia a provare quei prodotti giusti
ora grazie mille sì, ne ho presi due
domande Trulia
prima di tutto pochi passi indietro sul
apprendimento automatico e reti neurali
mm-hmm
hai parlato strati circa più nascosti per
algoritmo più complesso sì, ma Sturm
x-combattenti sono come ci è stato detto in
Università da usare sì che ti senti
guarda quanti strati hai qualche suggerimento
quello o sì sì che è in realtà un
Davvero una bella domanda
quindi forse la domanda è che c’è qualcosa di buono
pratiche sulla progettazione del neurale dell’Unione
reti giuste per quanto ne so
non c’è una teoria per ottimizzare il tuo
progettazione di reti neurali così tutti
anche nel quinto di Google sai
quando ho chiesto al team di ricerca di Google
e la gente direbbe che sai, facciamolo
inizia con i cinque 5 bambini
vediamo come funziona così bene
strati e questa è la sfida più grande
abbiamo adesso per il dispiegamento del
reti neurali per i tuoi dati o
applicazioni in modo che devi farlo in
molte molte prove giusto il the
persone nelle aziende farmaceutiche
cercando di creare un nuovo farmaco così hai
avere una combinazione diversa di
iperparametri obably parametri iper
indica i parametri come il numero
di livelli nascosti o quelli nuovi o
il modo in cui puoi importare i dati o
estraendo funzionalità così devi provare
fuori ogni diversa combinazione che è
il problema
e ci vuole anche molto calcolo
potere sì, penso che sia quello che fanno tutti
sì, non è una teoria dietro di esso e a
un po ‘più tardi nella presentazione ma
casi d’uso saranno supportati nel vicino
futuro
stiamo andando da post formazione a
runtime può rete noi e B essere esportati
al fine di utilizzare una migliore elaborazione per
esempio, qual è la seconda domanda cannone
possiamo esportare la rete in
ordine di riutilizzo nell’elaborazione integrata
per esempio esportando ok si
prima della prima domanda che è il
la formazione online penso che sia sul
mappa del mondo o forse la tua lista delle cose
nucleo ma è attualmente non lo è
supportato ma è possibile che lo faremo
sostenere la formazione online dove
le tue reti neurali saranno gradualmente
uniti dai dati online e secondi
la domanda sta esportando sì, è possibile esportare
il parametro addestrato si imposta in modo che tu
puoi usare il parametro assist per il tuo
casi d’uso come l’importazione del
parametri nei dispositivi IOT o forse
puoi persino copiare i set di dati in
record cloud diversi AWS per imparare il tuo
previsioni su database ok quelli
le domande vengono tagliate se qualcun’altro ne ha
domande no e grazie mille
grazie mille
per la piattaforma cloud di Google e sono anche un
lead tecnologico per il team di analisi dei dati
e ho lavorato a Google per
oltre cinque anni e per l’ ultimo e
un anno e mezzo ho lavorato come
lo sviluppatore sostiene di avere un
presentazione come questa in molti eventi così
in queste sessioni mi piacerebbe parlare
questi ordini del giorno ma prima mi piacerebbe
introduzione introduce il concetto di
rete neurale e apprendimento profondo e come
funziona con dimostrazioni molto grandi
e anche io vorrei introdurre come
Google ha implementato quelli neurali
tecnologie di rete alla folla di Google
e poi coprirò il
tecnologie e prodotti che sono
effettivamente fornito come un prodotto da
Piattaforme cloud di Google quindi cosa è
rete neurale quindi la rete neurale è a
funzione che può imparare dalla formazione
set di dati quindi se si desidera avere più recente
le reti per fare il riconoscimento dell’immagine quindi
puoi mettere l’ immagine del gatto per esempio
convertito in un vettore di carico e quindi
metti quel vettore nelle reti allora
alla fine avresti un altro risultato
vettore che rappresenta le etichette di
gli oggetti rilevano come gatto o umano
faccia in modo che sia progettato per imitare il
comportamento di nuovi all’interno del cervello umano
usando le operazioni con le matrici così effettivamente
è davvero ha matrice molto di base
solo le operazioni non ci sono
matematica sofisticata o di fantasia
su tutto ciò che fai con neurale
reti hai se si matrice
operazioni che abbiamo imparato in alto
scuola per esempio il vettore di input può
noi presentiamo rappresentano l’immagine del gatto
allora avranno un vettore che lo farebbe
avere i dati dei pixel convertendoli in a
veterinario
e otterresti un altro vettore di output
di conseguenza rappresenta l’etichetta di
le immagini rilevate in questo caso tu
avrà il numero qualsiasi più vicino al
1.0 che indica le reti neurali
pensa che l’immagine debba essere un gatto ma tu
penso stia succedendo all’interno delle tue reti
è molto semplice tutto ciò che stai facendo
la rete neurale è la matrice operativa
come WX più B è uguale a dove è il WS
sono pesi e B sono bias e
in realtà non c’è bisogno di preoccuparsi
quelle WS e B sono a tutto ciò che hai lasciato
i computer trovano e calcolano il WS e
B è tutto ciò che devi preoccuparti è il sì
che tipo di dati vorresti inserire
nelle reti e che tipo di
risultato che vuoi ottenere, prendiamo un
guarda alcuni interessanti
dimostrazione di reti neurali per
esempio se hai un problema come questo
le classificazioni molto semplici come te
può usare reti neurali per fare il
classificazioni di questi due diversi
set di dati non sono sicuro di quello che quelli
punto dati significa, ma prendiamo un passaggio
immagina che quelli siano i dati del
pesi e altezza delle persone in modo che se
il peso e l’altezza di una persona sono entrambi
forte e puoi pensare che lui o lei deve essere
un bambino o forse lui o lei potrebbe essere un
come in che modo puoi classificarli se
ti stai usando se cerchi di usare neurale
reti per fare questo problema, allora puoi
basta applicare la stessa equazione WX più B
uguale a Y devi fare due
classificazioni così stai mettendo il
numero di peso e numero di altezza qui come
un vettore e ottieni un risultato in un vettore
come questo dove se tu se quello singolo
i punti dati non sono classificati come adulti
allora ne avresti uno qui e se lo è
un bambino allora ne avresti uno qui
e la cosa è che il computer cerca di trovare
la combinazione ottimale di
parametri come i pesi e
pregiudizi da solo e non si deve
pensa a che tipo di parametri tu
devi impostare su reti neurali computer
lo fa per te quindi diamo un’occhiata a
la vera dimostrazione hai visto?
così posso farlo così bene, invece di
gli umani lasciano istruire il computer
apprendimento sai che non c’è bisogno di
insegnare ai computer come risolvere questi
problemi ma tutto ciò che devi fare
è fornire il set di dati di allenamento in modo che
il computer pensa da solo a ottimizzare
la combinazione dei parametri tali
come pesi e pregiudizi, così lo vedi
il computer sta cercando di cambiare il
pesi per fare le classifiche a
tasso di successo ottimale e ora il computer è
l’uso di un algoritmo è chiamato gradiente
set lee che significa che cerca di aumentare
o diminuire ogni peso e bias a
avvicina le combinazioni attraverso il
maggiore accuratezza o bassa perdita di ardesia così
è proprio come stiamo imparando le cose
dai genitori o ci può essere un
persone anziane nella vostra azienda dove voi
queste persone minori o questi bambini sono
imparare da molti molti errori così
il computer fa molti errori ma dentro
la fase iniziale ma se fornisci
molto più set di dati di allenamento di
computer utilizzando la discesa del gradiente
gli algoritmi cercano di minimizzare i guasti
quindi è così che funziona, quindi facciamolo
dai un’occhiata a un altro interessante
dimostrazioni di nuovi o reti in cui
hai l’altro set di dati di allenamento
come questo non sono sicuro di cosa lo faccia
significa, ma pensiamo che ne abbiamo un po ‘
set di dati che richiede un complesso
classificazioni se hai un programma
forse con questa impostazione di dati è possibile
vuoi utente forse equazioni per cerchio
per classificare i due dataset attraverso
set di dati e organizzare una malattia ma da
usando le reti più nuove che puoi semplicemente lasciare
cose al computer come risolverlo ora tu
ho visto che il computer stava cercando di creare un
modello per classificare i set di dati di
usando i cosiddetti neuroni nel nascosto
strati con il primo esempio che non abbiamo
avere degli strati nascosti ma con questo
dati complessi che avresti bisogno di usare
gli strati nascosti che significa tra il
dati di input e i neuroni di uscita voi
avrebbe un altro strato tra di loro
ce ne sono molti nuovi e ciascuno
quelli nuovi fanno cose molto semplici questi
i neuroni classificano solo se i dati
i punti sono in rosso in basso a sinistra
area o l’area in alto a destra o ora
questi neuroni solo classifica se
i punti dati sono a sinistra oa destra
proprio così, ma combinando quelli
uscite all’ultimo neurale neurale
rete quindi le reti neurali possono
componi un modello molto più complesso come
questo e se ne hai sempre di più nuovi
quindi i neuroni all’interno degli strati nascosti
le speculazioni delle specifiche di rete
può essere molto più accurato come questo così
qui aggiungendo altri livelli nascosti con
più nuovi devi spendere molto
più potenza di calcolo ma allo stesso tempo
tempo in cui le reti neurali possono comporre
modelli ed estratti molto più complessi
i modelli dal grande set di dati come
su questo proviamo che questo è un dato
modello chiamato doppia spirale se si è
un programmatore e il tuo regista o cast
ti ha chiesto di combattere contro questo tipo di
data set quale tipo di programma
ti chiamavi guida vuoi scrivere?
molte dichiarazioni di problemi o switch
provare con molte soglie
controllando le partizioni x e y no I
non voglio farlo invece lo farei
si prevede di utilizzare le reti neurali in modo che
le reti neurali cercano di guardare il
punti di dati nei set di dati per trovare il
schemi ottimali nascosti all’interno del
set di dati di formazione che è giusto così
questo è il posto in cui le tue reti possono
superare la performance umana umana
prestazioni dei programmatori che può estrarre
quei modelli nascosti all’interno del
set di dati di allenamento e non devi
specificare qualsiasi elemento decorativo
non devono avere caratteristiche reali di
la mano umana invece i computer possono trovare
i modelli dal set di dati di allenamento
così perché le persone sono così eccitate
le reti neurali e quelle profonde
conoscere questo, quindi se hai il
problemi della calligrafia identificativa
testo è ancora possibile utilizzare il molto semplice
GW Express peep equivale al tipo di
le reti neurali da attraversare trovano questo
scrittura a mano prende le reti
venire con modelli complessi di malattia
l’impilamento classifica queste immagini nel
vettori anno con le etichette come un
otto o sette o sei se vuoi di più
accuratezza di quante ne avresti di più no
più pericoli nascosti in modo che tu tu
potrebbe diventare come un 85 o 95 o 98 come un
machine come su questo come puoi
classificare queste immagini di gatti usando
reti neurali devi averne molte
più strati di reti neurali che è
le cosiddette reti neurali profonde
questo non è un diagramma è chiamato inizio
modello modello 3 è stato pubblicato
da Google l’anno scorso in cui abbiamo usato
240 livelli nascosti in una singola neurale
progettazione della rete quindi ci vuole molto di più
potere di calcolo e tempo ma ancora noi
può
competizioni molto più complesse come questa
conosci i nuovi più vicini al
il vettore di input potrebbe imparare molto semplice
il modello di rugby è come lo sai verticale
linee o l’aumento orizzontale ma il
i neuroni più vicini al vettore di uscita
potrebbe imparare schemi molto più complessi
o composizioni come occhi naso o
volto umano di nuovo non abbiamo messo alcun
caratteristiche dei modelli incorporati nel
reti neurali prima dell’allenamento ha fatto in modo
tutto può essere addestrato dai dati
impostato
sì usando la potenza di calcolo così
questo è il modo in cui la rete neurale e profonda
apprendimento opere, ma come ho già detto che
richiede tanto tempo di calcolo e
formazione di set di dati per utilizzare le pianificazioni
per i progetti di produzione quindi ci sono
due grandi sfide in questo momento per il
utenti per i percorsi profondi e questo è
perché continuare a correre non è stato così
è popolare per voi ragazzi una volta che abbiamo risolto
questi problemi raka avranno un sacco
del potere di calcolo con la stampa
set di dati di allenamento quindi puoi facilmente
applicare una rete neurale così profonda da apprendere
i tuoi problemi esistenti se sei un gioco
programmatore potresti voler applicare il
apprendimenti profondi per analizzare gli equipaggiamenti che sei
i log del server del registro di gioco per verificare
se un giocatore potrebbe essere un cheatin
giocatore o ufficio dello spammer meteo o se
tu web designer o ingegnere dei sistemi web
per il sistema pubblicitario, quindi potresti volerlo
applica i log per la conversione o
Portata rapida e rapida per i nostri registri su neurale
rete in modo da poter ottenere si può avere
computer per imparare dall’anno come registro
per ottenere più ottimizzazione, ma devi
avere potenza di calcolo e dati di allenamento
quindi questo è il motivo per cui abbiamo iniziato
utilizzando Google cloud per allenarsi in grande
scala della rete neurale di Google ha cloud
racchetta e
centinaia di migliaia di macchine nel nostro
data center in tutto il mondo e lo siamo stati
costruendo quei computer ai dati
centro come un computer non solo un mucchio di
i computer che costruiscono Switzer che progettiamo
ogni Craster che tiene come un dieci o
ventimila server che lavorano come
computer singolo con più CPU
quindi questo è il motivo per cui siamo in grado sia
non è così difficile per noi schierare provare
le reti neurali di scala o le probabilità possono essere
creato Processing’s al nostro google cloud
se ci sono due fondamentali molto fondamentali
tecnologie all’interno di Google
supporta il data center del computer
uno è la rete che stiamo costruendo
il nostro supporto hardware per la rete
cambia tessuto chiamato jupiter
reti così noi unione non stiamo usando
la rete commerciale passa per la maggior parte
casi come Cisco o ginepro
router quelli non sono mainstream dei nostri
nuove nostre dorsali di rete che abbiamo
stato costruendo il nostro hardware che può
tenere come un centinaio di vasi da 10
Porte Gigabit Ethernet in grado di mangiare a
un punto per accarezzare un po ‘al secondo per
il nostro datacenter così che sono le reti
abbiamo a Google e contengono anche a
la tecnologia chiamata Borg bo è la nostra
tecnologie proprietarie del contenitore noi
ho usato per oltre 10 anni per
distribuzione o quasi tutti i servizi di Google
come la ricerca di Google o Gmail o Google
Mappe
conto di container sfusi fino a
10.000 o 20.000 server fisici in a
cluster singolo in modo da poter fare il
pianificazione del lavoro su larga scala proprio il
programmazione dei cicli o della memoria della CPU
spazi o disco i / os con quella scala così
questo è il motivo per cui puoi implementare il tuo
singole applicazioni come la neurale
formazione in rete o grandi dati
elaborazione in forse centinaia o
migliaia di macchine con una singola terra
di comando predefinito
e il cervello di Google è il progetto in cui noi
hanno iniziato ad applicare il cloud di Google
tecnologia 2d per costruire una grande scala
reti neurali questo progetto è iniziato
nel 2011 e in questo momento il cervello di Google
è stato usato per molti molti
progetto di produzione in Google e veloce
la scalabilità di Google Google cervello
progetto per esempio rankbrain rankbrain
sono i nostri algoritmi GU che stiamo usando
la classifica del servizio di ricerca di Google
in questo momento dall’anno scorso che è stato
utilizzando l’infrastruttura del cervello Google di Google
e con cinquecento nodi e che può
eseguire a trecento volte più veloce
rispetto al nodo singolo, quindi questo significa che tu
stanno allenando il tuo modello di apprendimento profondo
con server singoli, quindi, si dovrebbe prendere
300 volte più lungo rispetto ai tecnici di Google
e l’ inizio è il modello per il
riconoscimento visivo visivo possiamo usare 50
GPU per accelerare le prestazioni a 40
tempi più veloci così che la ragione sono quelli
il motivo per cui Google è stata così forte
applicando la corsa profonda per il
progetto di produzione come alphago
Frady abbiamo la serie del nucleo
partite con il nucleo professionale che hanno
ho usato il cervello di Google
infrastruttura per la formazione pure
come la previsione della partita di Google
La ricerca di Google ha usato profondamente
il cervello dall’anno scorso e abbiamo
stato utilizzando l’apprendimento automatico
tecnologie per l’ottimizzazione dei dati
operazione centrale e anche o lei nostra
elaborazione del linguaggio naturale e visivo
riconoscimento del riconoscimento vocale tale
come le foto di Google ciò che ha espresso il
convenzioni degli androidi che abbiamo finito
60 progetti di produzione che è stato
usando il cervello di Google e approfondimenti
per durare un paio di anni ora abbiamo
ha iniziato a esternalizzare questo potere di
Google cervello agli sviluppatori esterni
il primo prodotto si chiama visione della folla
API e il secondo prodotto è chiamato
API crowd vision API crowd è un
analisi delle immagini IPA che fornisce il
modello pre-addestrato in modo da non dover
allenare la tua rete neurale e te
inoltre non devi avere alcuna abilità
impostato per l’apprendimento automatico così è
solo su REST API si può solo caricare
la tua foto all’API poi la ripeti
ricevere risultati JSON in pochi secondi
c’è il risultato dell’analisi e
è libero di iniziare a provarlo
1.000 immagini al mese ed è generale
generalmente disponibile in questo momento, così è
pronto per essere utilizzato per la produzione
progetto ha sei diverse caratteristiche per
essere rilevato rilevamenti labiali significa che
puoi inserire qualsiasi etichetta o categoria
eventuali immagini che hai caricato per esempio se
caricando le immagini dei gatti, quindi
API restituirà gli arabi tale
come possono fare le rilevazioni del volto di un gatto o di un animale domestico
rileva la posizione del volto nell’immagine
OCR Posso convertire il testo sull’immagine in a
mezzi di rilevamento del contenuto esplicito di stringhe
che puoi controllare se le immagini
può contenere le immagini contengono il
immagini adulte o violente sul nostro punto di riferimento
il rilevamento può rilevare la posizione del
immagini o luoghi popolari e puoi
anche rilevare il prodotto o aziendale
ruolo diamo un’occhiata al
dimostrazione
quindi mi piacerebbe mostrare una dimostrazione di
video all’inizio questo è il
dimostrazioni usando il Raspberry Pi
robot che invia l’immagine alla divisione
La cloud vision API fornisce un’immagine potente
capacità di analisi come facile da usare
Api consente agli sviluppatori di applicazioni
per costruire la prossima generazione di
applicazione che può vedere e capire
il contenuto all’interno delle immagini il
il servizio è basato su un potente computer
modelli di visione che alimentano diversi a fermi
Servizi di Google abilitati al servizio
gli sviluppatori di rilevare un ampio set di
entità all’interno di un’immagine da tutti i giorni
oggetti ai volti nei loghi dei prodotti
il servizio è così facile da usare come un esempio
dei casi d’uso si può avere qualsiasi
Raspberry Pi robot come gulp I go
chiamare direttamente l’API di cloud vision così
il grande può sommare le immagini prese da
la sua fotocamera al cloud e può ottenere il
risultati dell’analisi in tempo reale che rileva
facce nell’immagine insieme al
emozioni associate l’API di visione cloud
è anche in grado di rilevare entità all’interno
l’immagine ora vediamo come facciale
rilevamento funziona rilevamento di visione a nuvola
spazi sulla foto e restituisce il
posizioni degli occhi naso e bocca così tu
può programmare il bot per seguire la faccia
rileva anche emozioni come la gioia
rabbia sorpresa e tristezza quindi il fondo
spostato verso volti sorridenti o evitare
la rabbia o la sorpresa affrontano uno dei due
caratteristiche interessanti dell’API di cloud vision
è il rilevamento dell’entità che lo indica
rileva tutti gli oggetti che ti piacciono
i visitatori cloud amano gli sviluppatori
vantaggio dell’ultima macchina di Google
tecnologie di apprendimento abbastanza facilmente
vai alla barra cloud.google.com
visione per saperne di più e ne ho un’altra
interessanti dimostrazioni fatte
utilizzando la API di visione che se questo è
chiamate dimostrazioni di vision explorer
dove abbiamo importato 80.000 immagini
scaricato da Wikimedia Commons e
caricato nell’archivio Google Cloud e
applicato l’analisi dell’API di visione quindi qui
abbiamo il cluster delle immagini Si tratta di
80 mila immagini e ogni cluster ha
le etichette come la neve o il trasporto
zona residenziale significa che il
cluster delle immagini simili per
esempio se dai un’occhiata qui andiamo
vai in una pianta così ogni singolo punto
rappresenta la tua miniatura del
immagini caricate quindi se si va al
pianta
Craster ci deve essere un gruppo di
oh, oh, non sta mostrando perché farlo
me lo ridisegno forse perché sto usando
tethering
okay, andiamo direttamente al gatto
cluster quindi in questo cluster ne abbiamo molti
molti gatti e più vicino al gatto cora
abbiamo la crosta per i cani torniamo indietro
al cat cluster e se si fa clic su
immagine miniatura e sarai
vedendo il risultato dell’analisi dall’API
proprio questo l’ API pensa che questo deve essere un
imita il gatto ed è un gatto come animale domestico o
deve essere un British Shorthair
quindi queste sono alcune cose che puoi fare
con la tecnologia di deep learning e
questi risultati vengono restituiti in un JSON
formato eretto e con statistiche
allunga possiamo mostrarlo in una GUI se
immagine contiene tutto il testo al suo interno poi
possiamo tornare convertirlo in
esempio estremo con questo si può avere
la corda come questi tre canguri
incrocio accanto a te immagini se immagini
contiene facce anche questa API no
supportare qualsiasi identificazione personale o
il riconoscimento personale ma può
rilevare la posizione dei volti con
punti di riferimento come il naso e
bocca e anche in grado di riconoscere il
emozioni come gioia e rabbia
e sorprendente in questo livello di confidenza
e se la tua foto contiene qualcosa di popolare
luoghi come questa cena API può
restituire il nome del punto di riferimento dell’API
pensa che deve essere un’immagine della Citi
Field Stadium di New York con il
longitudine e latitudine quindi puoi facilmente
in un mise un pennarello su Google Maps
è troppo lento, quindi lo sto tagliando anche io
è possibile rilevare il prodotto e aziendale
robot
come questo Android, questo è stato questo
API di visione quindi è pronto per essere utilizzato
qualsiasi applicazione e un’altra API
chiamato speech API che fornisce anche
il modello pre-addestrato per la voce
riconoscimento quindi non devi avere
qualsiasi set di abilità o esperimenti con il
riconoscimento vocale o formazione neurale
reti per farlo è giusto
sulle API REST e G RPC API così puoi
basta caricare i dati audio nell’API
e riceverai un risultato nel
pochi secondi supporta oltre 80
lingue e dialetti supporta entrambi
riconoscimento in tempo reale e batteria
riconoscimento l’API è ancora limitata
anteprima quindi se vai al discorso
discorso cloud.google.com quindi devi
firmare con il modulo per l’immediato
accesso in anteprima limitato ma speriamo di farlo
renderlo pubblico meglio forse in una coppia
di settimane suppongo che mostriamo un po ‘
dimostrazione non sono sicuro se questo funziona
nel caso o meno perché questo è il
prima volta per provare questo e e ho
alcuni problemi di accento quindi non sono sicuro di me
davvero non sono sicuro se funziona o meno ma
meglio, ciao, questo è un test di I
penso che non funzioni
forse il raduno sta diventando così lento
ciao questa è una prova di voce
barra di riconoscimento di Google Cloud machine
imparando oh si
quindi il risultato finale è che non sai male
giusto e hai visto anche la risposta veloce
in modo da poter ottenere il risultato del riconoscimento
nel recente un secondo distretto Iraq a 0.5
secondi in tempo reale, quindi quelli sono i
api e ma quelle api sono qui
modello pre-addestrato in modo che significa che tu
non posso allenare il tuo modello con quelli
aps e bene uno se noi paese
le domande poste a quelle api sono quelle
se il google lo sarà, lo saprai
guardando le immagini caricate o il
dati audio per addestrare il tuo modello o
facendo qualche ricerca in più e come lo so
quelli api saudita tutti i nostri prodotti sono
è fornito dalla piattaforma cloud di Google
è sotto i termini e le condizioni di DCP
che ha qui alcune sezioni per il
dati dei clienti dei clienti che non guardiamo
i dati del cliente tranne per il molto
casi speciali per la risoluzione dei problemi o
situazione di emergenza quindi in sostanza noi
non guardare i dati del giroscopio caricati su
la nuvola ma allo stesso tempo così tu
può così l’APS non può allenarsi non può fare
i corsi di formazione per i tuoi dati o il tuo
applicazioni, ecco la ragione per cui noi
fornire le altre opzioni per la macchina
imparando con uno stampino o una macchina cloud
apprendendo gli altri schemi d-dick e
piattaforme che possono essere utilizzate per addestrare il tuo
il proprio set di dati forma la propria macchina
apprendimento e rete neurale ciò che è 10
quindi per tensile Pro è un open-source
driver della vostra intelligenza macchina noi
hanno pubblicato le librerie per ultime
Novembre e questo è il
quadro attuale che stiamo usando ora
noi tramite Google ricerca del cervello di Google
squadra quindi non è qualcosa di
obsoleto o rimanere fuori dal più tardi
quadro di apprendimento automatico che stiamo utilizzando
sono al momento su Google per esempio se
vuoi progettare questo
ristorante lavoro swag DW Express Pico perché
puoi usare Python per scriverlo in a
una sola riga di codice Roxas che puoi inserire
l’immagine del gatto qui questo vettore e
allora avresti un vettore di output
che rappresenta le etichette della
oggetti rilevati come un gatto o un essere umano
faccia e puoi lasciare che i computer trovino
le obiezioni e i pregiudizi, quindi è così semplice
ed è anche molto semplice da addestrare
le tue reti perché puoi semplicemente scrivere
questa singola linea per avere le tue reti
addestrato per il set di dati di allenamento di
usando specificando l’ algoritmo
Il gradiente di Stryker non è impostato
per implementare il proprio procedurale
codice o chiamato – implementando ciascuno
la logica di ottimizzazione in realtà non lo sono
bravo in matematica o in quelli machine learning
algoritmi ma posso ancora copiare e
incolla il codice di esempio sul mio laptop e
Sto pregando con i miei set di dati persi
e così via in modo da poter semplicemente lasciare il
coro per i runtime di fare il
ottimizzazione e anche lo strumento fornisce
sei un ottimo strumento di visualizzazione così
uno dei problemi che abbiamo avuto su Google
applicare le reti neurali al
problema di produzione è il
debugging quindi se ne hai molti di più
strati nascosti all’interno delle reti neurali
devi controllare tutte queste fasi
dei parametri se i parametri
stanno convergendo nella giusta direzione o
i parametri potrebbero essere sai andare
via e avendo un numero sbagliato come a
na o 0 altrove, quindi è davvero
importante per visualizzare cosa sta succedendo
dentro nelle tue reti e in tensorflow
fornisce lo strumento e anche il
la portabilità è un altro aspetto importante
del quadro così una volta che hai
ha definito le tue reti neurali con
Codice Python di tensorflow quindi puoi
inizia a correre tu e sei pronto a lavorare
allenamento o predizione con il tuo laptop
come un Mac o Windows Raptor ma tu
scoprirai che il tuo laptop è troppo lento
per provare la neurale profonda alla moda
reti quindi forse potresti volerlo presto
compra qualche lezione di GPU e invece di forse
2 o 3 GB perché in una sola casella ma
di solito ne bastano pochi
giorni di solito un paio di giorni o forse alcuni
persone che trascorrono alcune settimane a fare il
corsi di formazione sulle loro reti neurali così
richiede così tanto tempo di calcolo
In quel caso puoi applaudire il tuo tensore
flusso grafico a Google cloud in modo che tu
può utilizzare la potenza delle tende o
forse centinaia di istanze GPU che abbiamo
stiamo lavorando su Google Cloud e anche
una volta terminato il tuo allenamento
quindi la dimensione dei set di parametri
potrebbe essere adatto alle nostre centinaia di
megabyte o decine di megabyte di te
può facilmente copiare i parametri in
i dispositivi più piccoli dispositivi mobili o
Dispositivi IOT come Android iOS o forse
Raspberry Pi in modo che tu sappia che puoi
avere quei dispositivi facendo la previsione
come il riconoscimento dell’immagine o la voce
conservazione senza l’utilizzo di Internet
connessione
tutto potrebbe essere implementato all’interno
la struttura di tensorflow e con il
all’ultimo I / O di Google era circa 1
mesi fa abbiamo annunciato un nuovo
tecnologia chiamata unità di elaborazione del tensore
questa è una sostituzione, non una sostituzione
forse una tecnologia complementare per il
GPU e CPU così lontani o forse proprio ora
i ricercatori delle reti neurali profonde
o gli sviluppatori esterni a Google stanno utilizzando
GPU principalmente per l’allenamento del neurale
reti perché è una matrice
operazioni e utilizzando GPU è possibile
accelerare l’ ufficio matriciale
dieci volte o forse 40 volte più veloce così
questo è ciò che tipico reti neurali
gli utenti stanno facendo adesso ma il
il problema dei dispositivi per GPU è il potere
consumo ogni consumatore registra 100
watt o 200 watt per scheda GPU e noi
stiamo avendo utilizzato migliaia di
loro in un Data Center di Google e potere
Concepcion sta diventando il Rogers
problema così da progettando l’Asics o
la direzione specifica per il
flusso tensoriale o reti neurali profonde
sono stati in grado di ridurre il potere
consumo e guadagna dieci volte
migliore per le nostre prestazioni – potente
prestazione per quale risultato e anche noi
utilizzare le tecniche speciali come il
quantizzazione bit piuttosto che usare a
32 bit o 16 bit per calcolare tutto
ogni operazione di matrice usiamo il
la quantizzazione colpisce un quantizzato nel
8-bit dove non c’è così tanto
perdita della precisione in modo che tu possa adattarti
parametri molto più grandi in un molto piccolo
l’impronta della memoria e abbiamo usato
GTP per molti progetti di produzione
già eseguito grigi alphago e google
i riconoscimenti del linguaggio delle foto sono tutti
ha usato i tepee da una coppia
mesi in realtà abbiamo usato il GPS
per meno di un anno e se tu
voglio sì siamo stati non ho
discusso descrivendo il potere di
il cervello di Google come il numero di
CPU e GP sono e se lo si desidera
utilizzare la potenza del marchio Google
infrastruttura ecco il prodotto noi
fornire ciò che si chiama cloud machine
apprendimento
l’apprendimento automatico delle macchine è completamente gestito
ambiente di formazione distribuito per
il tuo tester per il grafico così una volta che hai
scritto
ha scritto il tuo grafico del flusso del tensore e ha eseguito la corsa
sul portatile poi puoi caricare il
stessi tipi di rock per il grafico a Google
Cloud che impara l’apprendimento in modo che tu possa
specificare il numero del GPS che si desidera
da usare con il servizio suggerito
come 20 nodi o 50 note per fare il
accelerazione solo allenamento quando una folla
Mao è nell’anteprima limitata così tu
devi registrarti per iniziare a provare ma
forse suppongo che per il
disponibilità record pubblico migliore volontà
essere qualche volta più tardi in quest’anno se tu
vai su YouTube, quindi puoi prendere un
guarda la dimostrazione attuale di
kratom un budget di adolescenti dove hanno
dove ha presentato ha dimostrato il
possibilità reale di frode di grotessa basata
reti neurali che impiegano 8 ore con
nodo singolo ma se si carica lo stesso
grafico del flusso del tensoriale all’e-mail della folla
quindi puoi accelerare le prestazioni
fino a 15 volte più veloce che significa te
potrebbe ottenere il risultato degli allenamenti
entro 30 minuti anziché aspettare
per le 8 ore è la velocità che siamo
vedere all’interno di Google per qualsiasi profondità
imparare l’implementazione e noi esternalizziamo
il dispo a voi ragazzi per averti
utilizzando il potere per 40 sei per
risolvendo i tuoi problemi e anche
claudemir può essere usato per la produzione
così come non solo per l’allenamento e
anzi mo soluzioni che ha presentato a lui
ha dimostrato che l’ email della folla potrebbe
essere utilizzato per le previsioni del corpo a 300
metri al secondo, quindi quelli sono i
argomenti che ho trattato e ora abbiamo
due diversi prodotti uno è l’Amero
API è come una API di visione o API vocale
dove puoi semplicemente caricare i tuoi dati
per appannarsi in modo da ottenere il
risultati in pochi secondi e se vuoi
per allenare le tue reti neurali
allora puoi provare usando il
Apprendimento intensivo di rotoli o macchine crude
in modo da poter accelerare l’allenamento
sei su o sei sulla tua rete quindi
se dai un’occhiata ai link sul
risorse di questa lezione che puoi
inizia a provare quei prodotti giusti
ora grazie mille sì, ne ho presi due
domande Trulia
prima di tutto pochi passi indietro sul
apprendimento automatico e reti neurali
mm-hmm
hai parlato strati circa più nascosti per
algoritmo più complesso sì, ma Sturm
x-combattenti sono come ci è stato detto in
Università da usare sì che ti senti
guarda quanti strati hai qualche suggerimento
quello o sì sì che è in realtà un
Davvero una bella domanda
quindi forse la domanda è che c’è qualcosa di buono
pratiche sulla progettazione del neurale dell’Unione
reti giuste per quanto ne so
non c’è una teoria per ottimizzare il tuo
progettazione di reti neurali così tutti
anche nel quinto di Google sai
quando ho chiesto al team di ricerca di Google
e la gente direbbe che sai, facciamolo
inizia con i cinque 5 bambini
vediamo come funziona così bene
strati e questa è la sfida più grande
abbiamo adesso per il dispiegamento del
reti neurali per i tuoi dati o
applicazioni in modo che devi farlo in
molte molte prove giusto il the
persone nelle aziende farmaceutiche
cercando di creare un nuovo farmaco così hai
avere una combinazione diversa di
iperparametri obably parametri iper
indica i parametri come il numero
di livelli nascosti o quelli nuovi o
il modo in cui puoi importare i dati o
estraendo funzionalità così devi provare
fuori ogni diversa combinazione che è
il problema
e ci vuole anche molto calcolo
potere sì, penso che sia quello che fanno tutti
sì, non è una teoria dietro di esso e a
un po ‘più tardi nella presentazione ma
casi d’uso saranno supportati nel vicino
futuro
stiamo andando da post formazione a
runtime può rete noi e B essere esportati
al fine di utilizzare una migliore elaborazione per
esempio, qual è la seconda domanda cannone
possiamo esportare la rete in
ordine di riutilizzo nell’elaborazione integrata
per esempio esportando ok si
prima della prima domanda che è il
la formazione online penso che sia sul
mappa del mondo o forse la tua lista delle cose
nucleo ma è attualmente non lo è
supportato ma è possibile che lo faremo
sostenere la formazione online dove
le tue reti neurali saranno gradualmente
uniti dai dati online e secondi
la domanda sta esportando sì, è possibile esportare
il parametro addestrato si imposta in modo che tu
puoi usare il parametro assist per il tuo
casi d’uso come l’importazione del
parametri nei dispositivi IOT o forse
puoi persino copiare i set di dati in
record cloud diversi AWS per imparare il tuo
previsioni su database ok quelli
le domande vengono tagliate se qualcun’altro ne ha
domande no e grazie mille
grazie mille
Please follow and like us: