课程收获

TensorFlow Decision Forests，是一个基于Keras的决策森林TensorFlow开源软件库。它旨在于将一些最前沿的决策森林算法（例如，随机森林、GBDT、LambdaMart）以一种易用的方式引入 TensorFlow 中。长时间以来，决策森林一直是建模表格类数据的最前沿机器学习算法。在许多机器学习应用（比如学习排名）中，决策森林都可提供卓越的性能。

TF-Ranking 是一个基于 TensorFlow 平台，用于解决大规模的排名问题的开源库。 它基于通常称为“排序学习/ Learning to Rank” (LTR) 的底层技术。 这种技术被广泛地应用于如搜索和推荐。 TF-Ranking 是第一个用于 LTR 问题的开源深度学习库，并已被工业界广泛采用。在本次演讲中，我将概述 TF-Ranking 库，介绍该库提供的主要功能，并重点介绍一些用例和我们最近的主要更新，包括与 TF2 Keras 的完全兼容和基于 BERT 的排序学习。

TensorFlow.js介绍，功能演示，新动向以及社区活动。

近年来，终端上的机器学习被广泛应用在现实的移动应用当中。如何创建、优化、部署端上机器学习模型是TensorFlow Lite的主要关注点之一。我们开发了许多端到端的工具链来解决移动开发人员和机器学习初学者最为头疼的问题。今天，我们将介绍TensorFlow Lite Model Maker —— 一个迁移学习库，它能够仅用几行代码创建常见的机器学习模型、优化并部署。我们将展示典型的机器学习任务的解决方案，让开发人员能够选择和优化不同的模型来解决他们自己的问题，并介绍如何端到端地把这些模型部署到移动终端上。

TFLite Micro 是一组开源软件库。它旨在帮助开发者快速有效的开发能运行于低功耗，小内存的微处理器之上的机器学习应用。它有内存占比小，不依赖特定操作系统平台，容易扩展等特性。

从电商到短视频，推荐系统呗被广泛应用于各个场景，但实际上要打造好一个有效的推荐系统并不容易。TensorFlow Recommenders 就是这样一个为了打造高效可扩展的推荐系统而专门制作的库。在本次专题演讲中，我们将通过演示如何使用 TensorFlow Recommenders 打造一个召回系统来介绍 TensorFlow Recommender 库。

构建机器学习模型不但需要丰富的行业经验，还需要存取海量数据和计算机资源，这对大多数开发者来说都是道不易翻越的屏障。为解决这一问题，开发者可以使用预训练过的模型，而且这种解决方案要好得多。TensorFlow Hub 就是为解决此难题而设的库，其中的模型都已经过预训练，可随取随用。在本讲中，我们将演示如何利用 TFHub 改进您的产品，从而满足您的机器学习需求。

BERT 是顶尖的文字处理模型。对 BERT 模型进行微调以便在任何 NLP 任务中都能取得好的效果，这非常关键。在本次专题演讲中，我们将演示如何微调 TensorFlow Hub 中的 BERT 模型，让它们可以用于实际部署。

TensorFlow 社区每一天都在发展壮大，这里汇聚了全世界成千上万名开发者、从业者、培训人员以及研究人员。开发者的体验是我们工作的核心，如果您想要参与进来，可以通过许多组织和不同方式贡献自己的一份力量。在本讲中，我们将概括介绍社区的新动态、您可以通过哪些方式参与，以及我们将推出哪些新工具和计划来为整个生态圈做出更大贡献。

在这个快速概述中，我们将了解 TFX，这是 Google 用来将机器学习投入生产的框架。我们将介绍TFX的基础知识、生产解决方案和今年 TFX 1.0 版本中的新增功能。

从磁盘上的纯文本文件目录开始，介绍 TensorFlow 中的文本分类。我们将演示下载数据集、预处理文本以及训练模型的一些主要步骤。最后，还将分享两个完整代码示例的链接，并提供了一道练习题供您会后练手。

本讲将介绍用于实现芯片布局规划的强化学习 (RL) 方法，以及在设计计算机芯片的物理布局时要注意的问题。芯片布局规划通常需要数名物理设计工程师耗费数周乃至数月来完成可制造的布局。我们的方法可在 6 小时内完成布局规划，且在能耗、性能和芯片面积等关键指标上，均优于或等同于工程师们人工完成的布局。为实现这一点，我们将芯片布局规划设定为一个强化学习问题，并开发了一种基于边缘的新型图卷积神经网络结构，这种结构能够学习丰富且可通用的芯片表示法。此方法已经用于设计下一代 Google 人工智能 (AI) 加速器 (TPU)。

随着全世界数十亿人继续使用内核含 AI 技术的产品或服务，现在比以往更迫切需要负责任地使用 AI。打造有益于社会、包容且对社区负责的产品一直是我们最重视的事项。在本次专题演讲中，我们将简要介绍 Responsible AI Toolkit 中提供的一些框架和工具等。Responsible AI Toolkit 是一个仍在不断扩容的已知课程和资源库，每个人都可以将其中的资源应用于自己的 AI 部署。

了解更多 Google 开发者课程：https://developers.google.cn/...

适用人群

开发者

课程简介

TensorFlow Decision Forests，是一个基于Keras的决策森林TensorFlow开源软件库。它旨在于将一些最前沿的决策森林算法（例如，随机森林、GBDT、LambdaMart）以一种易用的方式引入 TensorFlow 中。长时间以来，决策森林一直是建模表格类数据的最前沿机器学习算法。在许多机器学习应用（比如学习排名）中，决策森林都可提供卓越的性能。

TF-Ranking 是一个基于 TensorFlow 平台，用于解决大规模的排名问题的开源库。 它基于通常称为“排序学习/ Learning to Rank” (LTR) 的底层技术。 这种技术被广泛地应用于如搜索和推荐。 TF-Ranking 是第一个用于 LTR 问题的开源深度学习库，并已被工业界广泛采用。在本次演讲中，我将概述 TF-Ranking 库，介绍该库提供的主要功能，并重点介绍一些用例和我们最近的主要更新，包括与 TF2 Keras 的完全兼容和基于 BERT 的排序学习。

TensorFlow.js介绍，功能演示，新动向以及社区活动。

近年来，终端上的机器学习被广泛应用在现实的移动应用当中。如何创建、优化、部署端上机器学习模型是TensorFlow Lite的主要关注点之一。我们开发了许多端到端的工具链来解决移动开发人员和机器学习初学者最为头疼的问题。今天，我们将介绍TensorFlow Lite Model Maker —— 一个迁移学习库，它能够仅用几行代码创建常见的机器学习模型、优化并部署。我们将展示典型的机器学习任务的解决方案，让开发人员能够选择和优化不同的模型来解决他们自己的问题，并介绍如何端到端地把这些模型部署到移动终端上。

TFLite Micro 是一组开源软件库。它旨在帮助开发者快速有效的开发能运行于低功耗，小内存的微处理器之上的机器学习应用。它有内存占比小，不依赖特定操作系统平台，容易扩展等特性。

从电商到短视频，推荐系统呗被广泛应用于各个场景，但实际上要打造好一个有效的推荐系统并不容易。TensorFlow Recommenders 就是这样一个为了打造高效可扩展的推荐系统而专门制作的库。在本次专题演讲中，我们将通过演示如何使用 TensorFlow Recommenders 打造一个召回系统来介绍 TensorFlow Recommender 库。

构建机器学习模型不但需要丰富的行业经验，还需要存取海量数据和计算机资源，这对大多数开发者来说都是道不易翻越的屏障。为解决这一问题，开发者可以使用预训练过的模型，而且这种解决方案要好得多。TensorFlow Hub 就是为解决此难题而设的库，其中的模型都已经过预训练，可随取随用。在本讲中，我们将演示如何利用 TFHub 改进您的产品，从而满足您的机器学习需求。

BERT 是顶尖的文字处理模型。对 BERT 模型进行微调以便在任何 NLP 任务中都能取得好的效果，这非常关键。在本次专题演讲中，我们将演示如何微调 TensorFlow Hub 中的 BERT 模型，让它们可以用于实际部署。

TensorFlow 社区每一天都在发展壮大，这里汇聚了全世界成千上万名开发者、从业者、培训人员以及研究人员。开发者的体验是我们工作的核心，如果您想要参与进来，可以通过许多组织和不同方式贡献自己的一份力量。在本讲中，我们将概括介绍社区的新动态、您可以通过哪些方式参与，以及我们将推出哪些新工具和计划来为整个生态圈做出更大贡献。

在这个快速概述中，我们将了解 TFX，这是 Google 用来将机器学习投入生产的框架。我们将介绍TFX的基础知识、生产解决方案和今年 TFX 1.0 版本中的新增功能。

从磁盘上的纯文本文件目录开始，介绍 TensorFlow 中的文本分类。我们将演示下载数据集、预处理文本以及训练模型的一些主要步骤。最后，还将分享两个完整代码示例的链接，并提供了一道练习题供您会后练手。

本讲将介绍用于实现芯片布局规划的强化学习 (RL) 方法，以及在设计计算机芯片的物理布局时要注意的问题。芯片布局规划通常需要数名物理设计工程师耗费数周乃至数月来完成可制造的布局。我们的方法可在 6 小时内完成布局规划，且在能耗、性能和芯片面积等关键指标上，均优于或等同于工程师们人工完成的布局。为实现这一点，我们将芯片布局规划设定为一个强化学习问题，并开发了一种基于边缘的新型图卷积神经网络结构，这种结构能够学习丰富且可通用的芯片表示法。此方法已经用于设计下一代 Google 人工智能 (AI) 加速器 (TPU)。

随着全世界数十亿人继续使用内核含 AI 技术的产品或服务，现在比以往更迫切需要负责任地使用 AI。打造有益于社会、包容且对社区负责的产品一直是我们最重视的事项。在本次专题演讲中，我们将简要介绍 Responsible AI Toolkit 中提供的一些框架和工具等。Responsible AI Toolkit 是一个仍在不断扩容的已知课程和资源库，每个人都可以将其中的资源应用于自己的 AI 部署。

了解更多 Google 开发者课程：https://developers.google.cn/...