Machine Learning on Google Cloud Platform (Cloud Next ’18)

[음악 재생] 안녕, 여러분 모두들 안녕

관객 : 안녕하세요 크리스 클리브런 : 좋아요 제 이름은 크리스 클레 ​​반입니다 Justin Lawyer와 함께 우리는 제품 관리자입니다 Google 클라우드에서 우리는 당신과 대화 할 것입니다

GCP에서 기계 학습에 관한 정보 그래서 저는 매우 투명한 사람입니다 나는 그것을 무엇보다 명확하게 할 것입니다 나는 당신의 테이크 아웃이이 이야기에서 나온 것이기를 바랍니다 하나, 당신이 정말로 흥분하기를 바랍니다

기계 학습으로 할 수 있습니다 둘, 자신감을 갖기를 바래 조직에서 기계를 성공적으로 구현할 수 있는지 확인하십시오 Google Cloud로 학습하십시오 셋째, Google AI의 관심사를 통해이를 신뢰하십시오

우리는 당신의 ML을위한 올바른 플랫폼이자 파트너입니다 워크로드 세 번의 테이크 아웃 이요 우리는 당신이 그 테이크 아웃을 얻으려고 이야기 할 것입니다 우리가 그것을 파고 들기 전에, 나는 단지 당신에게 감사의 말을 전하고 싶다

우리 모두는 바쁜 삶을 사는 데 제한된 시간을 가지고 있습니다 Google Cloud, 다음 컨퍼런스, 이 세션 고마워 ML이 당신을 위해 무엇을 할 수 있습니까? 그것은 놀라운 것들을 많이 할 수 있습니다 조직에 경쟁이있는 경우, 그들이 ML을보고 있다고 보장합니다

자, ML은 반드시 정신병자를 발명하는 것이 아닙니다 교통 수단을 이용하는 경우 순간 이동을 어떻게 만들지가 아닙니다 기존 비즈니스 및 프로세스를 이용하는 것입니다 다시 상상하고 재발견 할 수있는 능력 너 오늘하고있는 일 ML에는 세 가지 종류의 큰 영역이 있습니다

통찰력을 얻는 데 도움이 될 수있는 도움이 될 수 있습니다 또는 고객이 제품 혁신에 도움을 줄 수 있습니다 자동화에 도움이됩니다 진짜 자동화를 빨리 봅시다 자가 운전 트럭과 자동차 – 모두가하는 사업 교통과 택시로 오늘하고있다

그것을 더 빠르고, 저렴하게, 더 쉽고, 더 안전하게 만들어줍니다 혁신을 살펴 보겠습니다 우리 고객 중 한 명이, 디즈니, 우리의 제품 AutoML을 사용하여 혁신 그들의 소매 서비스 사용자 경험을 원했습니다 그들이 찾고있는 제품을 정말 빨리 찾을 수 있습니다

그래서 그들은 웹 인터페이스를 사용하여 커스텀 모델을 만들었습니다 전문 지식이 필요하지 않습니다 그리고 지금 그들의 수색 경험에서, 당신은 "해변에 미키 마우스"를 입력 할 수 있습니다 해변과 관련된 모든 제품을 찾습니다 그리고 미키 마우스 – 정말로 멋지다, 정말로 쉽다

그리고 통찰력 – 당신이 비행기라고 가정 해 봅시다 제조사, 항공기, 그리고 당신은 정말로 안전에 관심이 있습니다 IoT 덕분에 엄청난 양의 데이터가 있습니다 이 악기들이하고있는 것 그리고 그 데이터를 수집한다면 어떻게 처리할까요? 그리고 아마 당신이 그걸 예측할 수 있다면 어떨까요? 비행기 정비 전에 필요한 정비 부품 정기적으로? 안전에 대한 통찰력, 그래서 무엇에 대해 흥분을 느끼는지 귀하의 조직이 할 수 있습니다

그래서 손을 보여줍니다 누가 여기에, 그들의 조직, 찾고 있습니다 오늘 기계 학습으로? 큰 손을 한 번 더 보여줍니다 여기 누가 기계 학습이 무엇인지 이해한다고 생각합니까? 네가 반 정도는 마지막 질문 – 누가 기계 학습 모델인지 알 수 있습니까? 네, 대부분

그래서 이것에 대해서 간단히 만질 것입니다 기계 학습은 데이터에 관한 것이며 데이터를 가져 오는 것입니다 통찰력과 행동 거기에는 모든 종류의 데이터가 있습니다 이미지, 구조화되지 않은 텍스트, 관계형 데이터베이스, 시퀀스 정보

그리고 기계 학습은 그 데이터를 취하는 것입니다 다양한 종류의 ML 알고리즘을 취하고, 그 알고리즘을 통해 그 데이터를 통과 거대한 인프라 세트가 필요합니다 그리고 그 데이터를 통과하면, 기계 학습 모델이 생성됩니다 그리고이 모델은 점점 좋아집니다 더 많은 데이터, 더 나은 알고리즘, 더 많은 인프라

그리고이 모델을 사용하여 통찰력, 자동화, 혁신 그래서 우리 모두는이 서비스, 웹 검색을 알고 있습니다 Google은 AI 회사이자 데이터 회사입니다 18 년 동안 세계 데이터 수집, 모든 사람이 접근 가능하고 사용 가능하게 만듭니다 우리는이 분야에서 많은 전문 지식을 보유하고 있습니다

대규모 데이터 센터, 인공 지능 전문가, 데이터 전문가 Google Cloud가 제공하는 전문 기술은 ML에 너에게 이것은 우리가 내부적으로 가지고있는 것에 대한 멋진 작은 이야기입니다 ML을 성공적으로 구현했습니다 Brein이라는 내부 AI 팀은 ML 모델을 만듭니다

알고리즘을 통해 수많은 데이터를 가져와 대규모 인프라 스트럭처를 통과시켜야합니다 ML 모델을 만들 수 있습니다 하지만 Google의 모든 소프트웨어 개발자는 아닙니다 ML 전문가입니다 우리가 한 일은 우리의 소프트웨어를 둘러 보았습니다

개발자를 교육하고 기존 모델로 ML을 구현하는 방법 그래서이 그래프가 보여주는 것은 소스 코드의 개수입니다 개발자가 Brain의 ML 모델을 사용하는 저장소 AI를 내부 서비스에 성공적으로 구현하기 위해, 외부 제품 Google은 이러한 유형의 개념을 Google Cloud에 도입합니다 오른쪽에는 여러 제품이 있습니다

ML과 AI를 통합했습니다 나는 그들 모두에 대해 이야기하지 않을 것이다 나는 두 가지에 대해서 이야기 할 것이다 내 즐겨 찾기 그래서 저는 아빠입니다, 저는 세 명의 아이들이 있습니다

그리고 저는 아이들의 디지털 사진을 많이 찍었습니다 어리석은 금액, 아마도 총 10 만개 그리고 저는이 Mac을 가지고 있었고 하드 드라이브가 몇 개 있었는데, 저장 용량이 걱정되어 Google 포토가 생겼습니다 무료 무제한 저장 글쎄, 잘됐다

값이 싸고 확장 가능하며 물건을 뒷받침하는 것에 대해 걱정해야합니다 그러나 실제로, 혁신은 검색 기능이었습니다 얼굴 인식 기능이 있으며 우리 애들이 누군지 알고 있습니다 내 얼굴 사진을 클릭 할 수 있습니다 내 전화에서 해변이나 보트 같은 단어를 입력하고, 이제 10 만 장의 사진을 찍습니다

내가 찾고있는 정확한 사진을 찾습니다 과거에는 20 분이 걸렸을 것입니다 ML은 혁신적이며 그렇게 할 수도 있습니다 조직의 규모에 관계없이 기술 직원 유형에는 ML을 구현하는 여러 가지 방법이 있습니다 그리고 우리는 두 가지 방법에 대해 이야기 할 것입니다

첫 번째 방법은 ML 모델을 사용하는 것입니다 ML 전문가가 될 필요는 없습니다 소프트웨어 개발자 일 필요가 있습니다 또는 귀하의 조직이 REST API를 사용하는 프로그래밍 언어 사용하기 쉽다

CXO 나 결정을 내리는 경영자라면, 프로젝트에 자금을 지원합니까? 높은 품질의 모델을 만드는 것은 매우 위험합니다 소프트웨어 개발자에게 API를 사용하게한다 그것을 구현하고, 정말로 빨리 시작하십시오 그리고 다른 길은 커스텀 모델을 만드는 것입니다 어쩌면 당신은 당신의 공간에서 도메인 전문가입니다

또는 데이터에 액세스 할 수 있고 원하는 자신 만의 ML 모델을 만들 수 있습니다 그래서 우리는 전문가들을위한 많은 도구들을 가지고 있습니다 빠르고 저렴한 ML 처리를 위해 그리고 여기가 저스틴에게 넘겨 줄 것입니다 그리고 그는 이것들에 대해 조금 이야기 할 것입니다

자세한 세부 사항 크리스틴 고마워 고마워, 크리스 그래서와 주셔서 대단히 감사합니다 오늘, 우리는 이야기 할 것입니다

당신의 직업에 맞는 도구를 어떻게 찾을 수 있습니까? 당신의 분야에서 전문가로서? 그래서 우선, 크리스가 언급 한 것처럼, Google은 많은 기계 학습 모델을 만들었습니다 특정 애플리케이션이 Google 애플리케이션을 강화할 수 있습니다 그래서 우리는 당신 주위에 REST API를 포장했습니다 소비하기 위해 우리는 이것을 지각 API라고 부릅니다

그들은 일반적으로 인간의 인식 주위에 있기 때문에 사용자가 애플리케이션과 상호 작용하는 방식 이렇게 빨리 다음 슬라이드로 이동하면, 이 API에는 크게 세 가지 범주가 있습니다 하나는 사이트에 관한 것이고 다른 하나는 대화에 관한 것입니다 세 번째 것은 언어에 관한 것입니다 아마 이들 각각을 걸을 것이 중요하다고 생각합니다 정말 신속하게 당신이 일종의 즉석에서 이해할 수 있습니다

코딩 없이도 얻을 수있는 기능 REST API를 사용하는 것 외에는 귀하의 응용 프로그램에 그래서 우선, 시력을 위해, 당신이 이미지를 가지고 있다고 말하면서, 그 이미지의 내용을 이해하고 싶습니다 자동으로 이미지를 Vision API에 전달하면 그 이미지 안에있는 물체가 무엇인지를 이해할 수 있습니다 자동으로, 그리고 당신은 얼굴이 어디 있는지 알아낼 수 있습니다, 다른 사람들에게 알릴 수 있습니다 동영상 이해 API의 경우 동영상, 장면 전환, 다른 대상을 알려줄 수 있습니다

해당 비디오 내에서 기본적으로 검색하고 찾을 수 있습니다 동영상 내 또는 동영상 전체에서 원하는 내용 여러 동영상을 전달하는 경우 OCR – 종종 사람들은 스캔 한 문서를 가지고 있습니다 그리고 무엇을 이해해야합니까? 도크는 그 문서에 있습니다 어쩌면 그것은 PDF 파일 일 수도 있고 GIF 파일 일 수도 있습니다

너는 할 수 있어야한다 GIF, JPEG가 아닙니다 API에 전달할 수 있습니다 그런 다음 자동으로 감지합니다 그 문서의 단어들은 무엇입니까? 그 원시 텍스트를 나중에 줄 수 있습니다

또는 장면의 이미지를 가지고 있거나, 벽에 징후가있다 그것은 당신에게 그 사인에 관한 텍스트를 줄 것입니다 따라서 OCR은 일상적인 응용 프로그램에서 정말 편리합니다 성인용 콘텐츠는 사실 실제로 하나입니다 정말로 중요합니다

사용자가 제출 한 콘텐츠를 얻으십시오 당신은 그 이미지에 무엇이 있는지 모릅니다 당신은 당신이 아닌지 확인해야합니다 사용자에게 부적절한 이미지를 제공합니다 따라서 성인용 콘텐츠 검색은 정말 쉬운 방법입니다

그 이미지에서 무슨 일이 일어나고 있는지 감지 할 수있게 당신이 걸러 내야 만하는 것이죠 귀하의 사용자에게? Conversation 클래스의 API의 경우 – 오디오를 텍스트로 – 스트리밍 오디오가있을 수 있습니다 그 다음 파일은 당신이 무엇을 말하고 있는지 알아 내야합니다 그런 다음 그 사건을 베끼고 그것을 당신에게줍니다 그것은 비디오, 사람들과의 실제 대화, 텔레비젼 쇼를 위해 무엇이든간에

그 반대도 가능합니다 텍스트 문자열이있을 수 있습니다 당신의 사용자에게 읽어 줄 필요가있다 자, 문자열을 응용 프로그램에 전달합니다 그러면 합성 음성을 만듭니다

그런 다음 사용자에게 알릴 수 있습니다 채팅 봇은 사용자와 소통 할 수있는 방법입니다 채팅에서 직접 원하는 상호 작용을 프로그래밍 할 수 있습니다 사용자와 대화하고 특정 종류의 대화를 프로그래밍 할 수 있습니다 계속해서 고객 서비스 전화로 도움을 받으십시오

또는 그런 것들 언어 API에서, 자유 형식의 텍스트를 가지고 있다면 정말 어렵습니다 정말 도대체 무슨 소리 야? 우리는 밖으로지도하고 무엇의 맥락을 알아낼 것입니다 말하자면, 문장의 데이터 구조를 찾아 내고, 당신이 알아낼 수 있도록 말의 부분을주세요 좋아, 명사 란 무엇인가? 동사는 무엇인가? 이것들의 관계는 무엇입니까? 그리고 나서, 당신은 지능적인 것을 할 수 있습니다

그 구조와 감정 분석은 함께 전송되는 분위기는 무엇인가요? 그 단어들로? 우리가 가진 것은 우리는 많은 좋은 성공을 시도했습니다

예를 들어 고객 서비스의 정서를 모니터하는 것 이메일이나 채팅, 물건 나가기 관리자에게 에스컬레이션 할 수 있음 그래서 물건들이 나선형으로 나오지 않도록 할 수 있습니다 제어 또는 무엇인가가 공격적인지 이해할 필요가 있다면, 또는 평온한, 또는 행복한, 당신은 어떻게 분류하고 있는지 확인합니까 고객이 평점을 매기는 것이 적절하다면 서비스 콜, 그런 것들? 번역에서는 자동으로 번역하는 좋은 방법입니다 한 언어에서 다른 언어로 예를 들어 다음에 대해 조금 이야기하겠습니다

예를 들어, 당신이 게임 개발자라고 말하면, 당신은 온라인 커뮤니티를 가지고 있습니다 하지만 그들은 전세계에서 온다 다른 언어로 말하기 당신은 그들이 서로 이야기 할 수 있기를 원합니다 실시간 채팅에서 기본적으로 할 수 있습니다

다른 언어로 번역 할 수있는 능력이 있어야합니다 따라서 Translate API를 사용하면 정말 쉽습니다 또는 인바운드 고객 서비스를받을 수 있습니다 이메일을 보내고 언어로 번역 할 수 있습니다 고객 서비스 담당자가 고객이 이해할 수 있도록 그러면 고객에게 응답 할 수있는 적절한 문서를 찾을 수 있습니다

이 API에 대한 좋은 점은 기본적으로 REST API 만 있으면됩니다 기본적으로 코드 스 니펫을 제공합니다 당신은 그것을 당신의 앱으로 팝니다 당신이 정말로 바꾸어야 할 유일한 것 데이터를 가리키는 키와 URI입니다 그리고 짜잔, 떨어져

그것보다 더 간단해질 수는 없습니다 다음 질문은 성능이 어떻습니까? 실제로 얼마나 효과가 있습니까? 그들은 일반적인 사용 사례에 정말 좋습니다 경우에 따라 문제가있을 수 있습니다 Google이 결코 다루지 않았던 또는 상황을 처리해야 할 수도 있습니다 Google이 다루어야 할 것보다 훨씬 더 자세하게 설명합니다

예를 들어 Google은 볼트와 못의 차이를 쉽게 알 수 있습니다 하지만 당신이 제조업 자라고 가정 해 봅시다 생산 라인에 2,000 개의 볼트가 있습니다 귀하의 부품에 대한 차이점을 어떻게 알 수 있습니까? 글쎄, 우리가 가능하게 한 것은 Cloud AutoML 그래서 당신은 라벨이 붙은 모든 부품의 이미지를 제공 할 수 있습니다 그리고 우리는 그들을 구별하지 못할 수도 있습니다

라벨을주지 않으면 그런 다음 모델을 교육합니다 그런 다음 REST API 엔드 포인트를 얻을 수 있습니다 귀하의 응용 프로그램에서 사용하십시오 그래서 좋은 점은 사용하기가 정말 쉽다는 것입니다

그리고 당신은 기계 학습을 알 필요가 없습니다 우리는 당신을 위해 그것을한다 그런 다음 응용 프로그램에서 사용할 수 있습니다 그래서 다음 질문은, 음, 이것이 얼마나 효과가 있습니까? 실제로 모든 오픈 소스보다 효과적입니다 밖에있는 모델

따라서 훌륭한 실적을 올릴 수 있습니다 그리고 사용하기가 정말 쉽습니다 그래서 정말 도움이되었습니다 그래서 실제로 ML을 사용하는 방법 중 하나입니다 또 다른 방법은 데이터 과학자가 있다고 가정 해 봅시다

내 자신의 데이터를 가지고 있기 때문에 내 모델을 만들고 싶습니다 그리고 그것은 내가 다룰 필요가있는 커스텀 문제입니다 음,이 작업에는 두 가지 다른 방법이 있습니다 하나는 클라우드 관리 서비스를 사용하고 있습니다 그리고 이것들은 당신이하지 않는 서비스입니다

인프라를 다루고 싶다 우리는 당신을 위해 그것을 다룰 것입니다 그렇게하면 컴퓨터 학습 프로세스에 집중할 수 있습니다 그래서 우리는 Dataproc과 Dataflow를 가지고 있습니다 그래서 당신은 당신의 전처리를 다룰 수 있습니다

Dataproc은 본질적으로 Hadoop 및 Spark이지만 관리, 또는 Dataflow가 백엔드에서 Beam을 사용하고 있습니다 프로세싱을 처리하는 관점에서 머신은, ML 엔진 또는 기계 학습 엔진, 인프라 스트럭처를 자동으로 가동시킬 수 있습니다 그리고 우리는 그걸 좀 알아볼 것입니다 당신이 끝나면 그것을 찢어 버려라 따라서 인프라 스트럭처가 사라집니다

데이터 과학자들로부터 모든 최상위 프레임 워크를 지원합니다 그리고 우리는 Datalab을 가지고 있습니다 데이터 탐색을 쉽게 할 수 있습니다 먼저 Datalab에 대해서, 얼마나 많은 사람들이 실제로 Jupyter Notebook을 사용했습니다 주피터 노트북에 대해 알고 있습니까? 약 3 분의 1 정도가 될 것입니다

나머지 사람들은 그렇게 이해합니다 주피터 노트는 근본적으로 데이터를 가리킬 수있는 앱 귀하의 데이터를 분석 할 수있는 코드를 제공하십시오

데이터를 시각화하고, 반환하고, 즉시보고, 얻을 수 있습니다 몇 가지 피드백을받은 다음 반복하여 반복하고, 그것을 계속 추가하십시오 전체 노트북을 재생할 수 있으며, 당신은 그저 특정 스 니펫을 연주 할 수 있습니다 직장 동료와 공유 할 수 있습니다 그래서 그것은 정말로 탐험하고 시각화하는 훌륭한 방법입니다

및 프로토 타입 그래서 환상적인 도구입니다 Datalab에 대한 좋은 점은 모든 다른 클라우드 서비스에 연결하도록 미리 구성 BigQuery와 ML 엔진 등이 있습니다 따라서 클라우드에서 벗어나기 만하면됩니다 랩톱에서 로컬로 사용할 수도 있습니다

기계 학습 엔진은 정말 좋은 방법입니다 임의의 데이터 사이트에서 분산 학습 수행 모든 상위 프레임 워크를 사용하여 데이터를 처리 할 수 ​​있습니다 그리고 다시, 그것은 관리 서비스입니다 따라서 모델과 데이터를 가리키고, 그리고 당신은 단지 그것을 회전시킵니다 그것은 당신을위한 모든 분산 훈련을 담당합니다

당신은 그것에 대해 걱정할 필요가 없으며 종료됩니다 모든 것을 찢어서 사용하는 것에 대해서만 비용을 지불합니다 그래서 이것을하는 것이 정말 효율적인 방법입니다 실수로 해당 VM을 켜두는 것에 대해 걱정할 필요가 없습니다 한달 전에 고지를 청구하고 청구서를받을 때

이것에 대한 또 다른 좋은 점은 배치 예측 및 온라인 예측도 수행합니다 기본적으로 이러한 일괄 예측 작업을 실행할 수 있습니다 정말 효율적입니다 또는 온라인 예측을 위해 REST API 끝점을 만듭니다 당신의 모델을 위해 당신을 위해 그리고 어떤 양으로도 봉사하십시오

당신은 당신이 가지고있는 많은 수의 앱을 필요로합니다 정말 쉬운 방법으로 앱을 관리 할 수있는 좋은 방법입니다 다른 하나는 데이터 과학자들이 종종 모델 최적화를하지 않는다 그것은 일종의 고통이기 때문에 모든 다른 매개 변수를 변경해야합니다

데이터 세트에 적합한 구성을 찾으십시오 글쎄, 우리는 그것을 ML 엔진에 내장했다 그래서 그것은 실제로 그것을 당신을 위해 간단하게 만듭니다 매개 변수 만 입력하면됩니다 최적의 모델을 찾으십시오

그래서 좋은 모델을 찾기보다는, 실제로 데이터 세트에 가장 적합한 것을 찾는 것입니다 따라서 모델 실적을 향상시킬 수 있습니다 관리 관점에서 모든 것을 하나로 모으는 것은, 우리는 전체 ML의 모든 단계에 대해 다른 서비스를 가지고 있습니다 애플리케이션에 대해 처리해야하는 라이프 사이클 우리는 섭취 측, 전처리 측, 저장 및 탐색 및 실험, 시각화 측면, 모델 교육 및 제공, Data Studio를 사용하여 보고서를 만들 수 있습니다

그것 모두는 우리의 관리 서비스에, 당신은 인프라를 다룰 필요가 없습니다 모든 호출기를 관리하는 SRE를 보유 할 필요는 없습니다 이렇게하는 다른 방법은 직접 해보는 것입니다 자신 만의 솔루션을 선보일 수 있습니다 사실 몇 가지 매우 유효한 이유가 있습니다

왜 일부 고객은 이것을 원할 것입니다 당신은 연구자 일 수도 있고 당신 일 수도 있습니다 스택의 모든 부분을 변경할 수 있기를 원한다 원한다면, 당신은 매우 맞춤화 된 파이프 라인을 가지고 있을지도 모릅니다 또는 당신이 최첨단을 원할 수 있습니다

오픈 소스 소프트웨어는 당신이 원하는 시점에 펑크 난다 여러 가지 이유가 있습니다 너는 그걸 원할지도 모른다 그게 전부입니다 우리는 그런 사용자를 좋아합니다

하이브리드 구현도 가능합니다 어떤 것들은 클라우드에 있고 어떤 것들은 온 – 프레미엄입니다 매우 일반적인 사용 사례입니다 우리는 그것을지지하고자합니다 그래서 직접 해보고 그것을 배포 할 방법이 있습니다

정말 중요합니다 따라서 우리와 똑같은 인프라 이전에 관리되고 있던 동일한 종류의 오픈 소스 플랫폼을 자동으로 롤백 할 수 있습니다 자신의 인프라에서 너는 그것을 관리한다 그리고 당신은 똑같은 하드웨어를 갖게됩니다

다른 솔루션에 전력을 공급합니다 그래서 우리는 얻는 것이 정말 쉽습니다 깊은 학습으로 시작되었습니다 깊은 학습은 정말 이륙하고 있습니다 복잡한 데이터에서 통찰력을 찾는 정말 좋은 방법입니다

세트 또한 인증 및 최적화 된 VM 이미지를 제공합니다 GCE에서 일하기 상자에서 꺼내면 Jupyter Notebook을 얻을 수 있습니다 모든 하드웨어에 액세스 할 수 있습니다

크리스가 잠시 후에 얘기 할 것입니다 그리고 가능한 최상의 결과를 얻을 수 있도록 구성되었습니다 따라서 클릭 한 번으로이 항목을 배포 할 수 있습니다 원하는 기계에 접근하여 접근하기 당신이 원하는 모든 액셀레이터에게 즉각적으로 갈 준비가되었습니다

우리는 약속에 대해 언급했다 Google이 오픈 소스 커뮤니티에 미친 영향 Kubeflow는 제가 좋아하는 오픈 소스 프로젝트입니다 지난 가을에 Kubernetes에서 시작되었습니다 특정 ML 작업을위한 마이크로 서비스를 만들 수 있어야한다

분산 형 교육 또는 분산 형 당신이 원하는 곳마다 다른 종류의 모델을 제공하고, 그것이 GCP에 있든 또는 온 – 프레스에 있든 상관 없습니다 따라서이 컨테이너를 배포하는 데 매우 휴대 가능한 방법입니다 당신이 원하는 곳이라면 그런 식으로 배포 할 수 있습니다 일관된 GCP 또는 온 – 리소스 일치에 대해 걱정할 필요가 없습니다

Kubernetes가 그것을 처리하기 때문에 이 모든 것을 다룰 수있는 쿠버 넷 고유의 방식입니다 그리고 다시 CPU, GPU 및 TPU에서 작동하도록 구성되었습니다 GCE에 온 – 프레미스 (On-prem), 내부적으로 가지고있는 모든 것에 액세스 할 수 있습니다 그렇다면 GCE에 배포하면 어떻게 될지 모르겠습니다

GKE 클러스터를 생성하고, 그것은 GCP의 관리 Kuvernnetes 클러스터입니다 그러면 JupyterHub 노트북을 스핀 업할 수 있습니다 TensorFlow 교육 서비스 또는 기타 프레임 워크를 시작하십시오 너는 넣고 싶었고 똑같은 일을했다 당신의 TensorFlow 서빙을 위해

모든 사용자가 공유 저장소에 액세스 할 수 있습니다 GCP에서 Kubernetes에게 자연스럽게 따라서 실제로 할 수있는 좋은 방법입니다 이것은 매우 휴대용 방식으로 그런 다음 전체 컨테이너를 원하는 위치에 배치 할 수 있습니다 그리고 그것은 환상적인 해결책입니다

그래서 지금, 나는 시간을 보낼 것입니다 Chris에게 하드웨어에 대해 이야기 할 것입니다 크리스 클리브 : 감사합니다, 저스틴 테이크 어웨이로 돌아가서, ML에 흥미를 느끼고, Google 클라우드에 ML을 구현할 수 있다고 확신하면서 Google의 인공 지능 (AI) 포커스는 우리를 귀하의 ML에 적합한 파트너로 만들어줍니다 워크로드

정말 빨리 이야기 해 봅시다 단지 이러한 것들을 되풀이하기 위해서입니다 개발자이고 ML을 구현하려는 경우, ML 전문가가 될 필요는 없습니다 API 모델을 사용하십시오 위험을 낮추십시오

사전 훈련 된 ML 모델이 마음에 들지 않는 경우 또는 사용자 정의 무언가를해야합니다 AutoML과 함께 웹 브라우저를 사용하여 사용자 정의 ML 모델을 작성하십시오 놀라운, 슈퍼 간단합니다 그리고 데이터 전문가 또는 기계 학습 과학자 인 경우, 또는 도메인 전문가가 작업 부하에 적합한 도구를 제공합니다 게다가

Google 클라우드에 ML을 성공적으로 구현할 수 있습니다 그러나 컴퓨팅 및 인프라에 대해 간단히 이야기 해 봅시다 ML과의 관계 최근 AI 개선 및 발전의 80 % 더 많은 이용 가능한 컴퓨팅 성능에 기인 한 것입니다 그러나 최근의 TensorFlow 이벤트에서, 설문 조사에 따르면 사람들이 접근 할 수 없다는 것을 인정합니다 ML 연구를 위해 충분히 계산할 수 있습니다

그것은 분명한 문제입니다 이제 수십 년 전으로 돌아 가자 왜냐하면 우리 모두 우리가 서있는 ML에서 일하는이 방에서 거인의 어깨에 신경망과 ML의 작동 방식에 대한 개념, 수십 년이 지났습니다 인간의 두뇌를보고, 어떻게 뉴런이 서로 연결되어 있는지, 그들이 정보를 전달하는 방법 한 뉴런에서 다른 뉴런으로, 그것은 오래된 개념입니다

하지만 최근의 구현입니다 대규모 데이터 센터 및 하드웨어 가속기 우리가이 큰 신경 네트워크를 만들 수있게 해줬습니다 ML의 발전 인프라가 중요합니다 그리고 그것이 중요한 이유는, 당신이 어떤 길로 가든 상관없이 – Google ML 모델을 사용하여 맞춤 모델 만들기 – 그것을 지탱하고있는 인프라입니다

우리 모델에서는 이미 데이터를 가져 왔습니다 훌륭한 알고리즘을 통과 시켰습니다 이 인프라, 대규모, 축구 규모의 현장 데이터 센터 이 모델들을 더 좋고 더 좋게 만드십시오 그리고 우리는 계속 그렇게 할 것입니다 Google Cloud를 사용하면 그 같은 규모로, 너와 그것을 할 수있는 것과 똑같은 힘 알맞게

GCP에 관한 새로운 ML 고객 중 한 명 OpenAI이고 대규모에 대해 이야기합니다 그들은 관리되지 않는 길로 갔다 그들은 도메인 전문가이고, 그들은 AI 사고 리더입니다 그들은 비영리 단체입니다 AI로 혁신하고 개방적이고 안전하게 만들기 위해 노력하고 있습니다

그들은 10 만개 이상의 프로세서를 사용합니다 보강 학습을 할 수 있습니다 수천 개의 GPU를 사용하여 기계 학습을하고 있습니다 혁신을 가능하게하는 것은 규모에 대한 접근입니다 그 (것)들을 위해 그것을 제공하고있는 Google Cloud입니다

하드웨어 가속기는 매우 중요합니다 하드웨어 혁신뿐입니다 CPU가 있으면 Skylake를 사용할 수 있습니다 그러나 ML 작업 부하의 경우 분산 된 교육의 경우 커다란 교육 일자리가 생기면 마비 된 계산 능력이 필요합니다 따라서 우리는 역사적으로 2017 년 2 월 이후로, 우리는 세 개의 NVIDIA GPU 모델 인 K80, P100, V100, 고성능, 패스 스루 PCI입니다

V100을 사용하면 NVLink 상호 연결이 가능하며, ML 워크로드에 아주 좋습니다 우리가 조금 다른 것보다 우리의 경쟁 업체는 맞춤 VM을 제공하는 방식을 사용합니다 CPU 사용량, 메모리 사용량, 기타 GPU 유형, 보유하고있는 GPU 수, 원하는 VM 수, 네트워크 연결 스토리지를 사용하거나 고속 디스크를 원할 경우 특정 작업 부하에 대한 I / O, 서버 내 SSD 연결, 그리고 당신이 원하는 것을 지불하십시오 또는 병목 현상이있는 경우 그 중 하나를 조정하십시오 우리의 다른 경쟁 업체 중 일부는 유연성을 제공하지 않습니다

그래서 돈을 저축하려고합니다 ML 작업이 더 빨리 진행될 것입니다 사실은 이번 주에는 새로운 P4 GPU를 출시했습니다 일주일 후에 나올거야 ML 추론 워크로드에 유용합니다

따라서 우리는 파트너 인 NVIDIA와 계속 협력 할 것입니다 새로운 GPU를 시작하십시오 그래서 우리는 거기서 멈추지 않습니다 AI에 초점을 맞추면 TPU가 생깁니다 우리는 Cloud v2 TPU를 작년에 만들었습니다

이것은 기계 학습을 위해 의도적으로 제작 된 ASIC입니다 그리고 오늘, 우리는 몇 가지 새로운 발표를했습니다 v3이 나오고, 빠르고 저렴한 ML 작업 부하 TPU 포드가 있습니다 TPU 포드는 일련의 TPU입니다

빠른 네트워크로 연결됩니다 다시 한번, 구글의 AI는 인프라를 구축하는 데 중점을두고 있습니다 우리는이 ML 모델을 더 빨리 교육하고 있습니다 우리는 또한 당신에게 그것을 제공하고 있습니다 우리는 당신의 ML을위한 올바른 파트너라고 믿어야합니다

워크로드 저축은 많은 돈입니다 많은 회사에 크고 큰 거래 스탠포드에 예산이있는 조교수가 있습니다 ML에서 몇 가지 연구를 수행합니다

그리고 그는 고정되어 있습니다 – 그가 할 수있는 일은 너무 많아 따라서 관리되지 않는 경로의 윈 – 윈 제품 – 선점 형 VM, 선점 형 GPU 및 TPU가 있습니다 때로는 여분의 용량이 있습니다 또한 교육 및 추론과 같은 ML 배치 워크로드, 우리는 GPU와 TPUs의 70 % 할인을 제공하고 오늘 아침에 발표했습니다 TPUs의 가격을 인하했습니다

그래서 지금,이 연구원은 우리의 여분의 수용력을 사용할 수 있습니다, 약간의 비용 절감, 배치 워크로드 실행 모든 사용 사례에 해당하는 것은 아닙니다 보장되지 않습니다 항상 거기있는 것은 아닙니다 하지만 연구를하고 있다면 필요한 일이나 큰 조직을해라 배치 작업 부하가 한 번씩 적은 비용으로 더 많은 혁신을 할 수있는 좋은 방법입니다

ML에서는 데이터가 정말로 중요합니다 Google은 훌륭한 광섬유 네트워크, 훌륭한 인터넷 서비스를 제공합니다 사이 따라서 데이터를 큰 단위로 이동하는 경우, 우리는 그것을 처리했습니다 실시간으로 들어오는 대규모 데이터 흐름이 다양한 출처 – 우리는 전 세계에 구름 위치를 가지고 있습니다

일부 데이터를 우리에게 발송해야하는 경우, 우리는 당신이 대량으로 출하 할 수있는 가전기구를 가지고 있습니다 그것은 단순한 계산이 아니라 훌륭한 인공 지능 서비스입니다 그것은 네트워크입니다 보안입니다 그것은 거기에 내장 된 모든 것입니다

그래서 우리는 많은 인공 지능 서비스에 대해 이야기했습니다 우리는 당신에게 개요와 소개를주었습니다 우리는 ML이 불가능 발명에 관한 것이 아니라는 것에 대해 이야기했습니다 그것은 재상영과 재발생에 관한 것입니다 너 오늘하고있는 일

현재 14,000 명이 넘는 고객이 GCP에서 ML을하고 있습니다 오픈과 하이브리드에 중점을두고, 및 멀티 클라우드 작업 부하, 하드웨어에 중점을 둠, 우리가 발표하는 우리의 새로운 서비스, 그리고 언급 한 기조 연설, 새로운 AutoML 서비스, 고품질 API – 네가 어떻게하고 싶은지 상관 없다 당신이 할 수 있다는 것에 흥분을 느껴야합니다 당신은 당신이 성공적으로 그것을 할 수 있다고 확신해야합니다 Google은 귀하에게 적합한 파트너입니다

더 배우고, 시작하고, 얻을 수있는 여러 가지 방법이 있습니다 세워짐 내가 특별히 말하고자하는 것은 내가 개인적으로 Kaggle이 사용되었습니다 Kaggle은 ML 대회 서비스 및 커뮤니티입니다 나는 ML을 배울 때, 내가 뭘하는지 몰랐다

그리고 이미지 인식 경쟁이있었습니다 운전자가 도로에주의를 기울이거나 또는 산만 한 느낌 그래서 커뮤니티에 가입하여 ML 도전에 합류했습니다 TensorFlow를 사용하는 방법에 대한 많은 리소스가있었습니다 및 데이터를 사전 처리하는 방법

그리고 Google은 Kaggle을 사용하여 전 세계 사람들을 돕고 있습니다 ML을 배우십시오 그리고 너도 그걸 쓸 수있어 또는 데이터 세트가 많은 조직의 경우, 당신은 경쟁을 시작할 수 있고 세계의 ML 전문가를 가질 수 있습니다 너를 위해 ML을해라

방법에 대한 자료가 많이 있습니다 이러한 서비스에 대해 알아보십시오 Google Cloud 고객이 아닌 경우 무료 크레딧이 제공됩니다 이미 그래서 그 점에 대해 감사 드리고 싶습니다

우리 시간은 거의 다됐다 우리는 몇 가지 질의 응답을 할 것입니다 양쪽에 2 개의 마이크 그리고 몇 가지 질문을하십시오 고마워요

[박수 갈채] [음악 재생]

소설가 김영하의 페미니즘이 옳은 이유

소설가 김영하의 페미니즘이 옳은 이유 (이전 글 참조) 김영하 작가 부인 장은수 직업과 딩크족 이유 김영하가 알쓸신잡에 출연을 결정한 이후의 인터뷰이기 때문에, 페미니즘에 대한 가장 최근의 김영하 생각이네요

김영하: 최근 들어 페미니즘에 관련된 책을 많이 읽어요 (현재) 문학계 이슈이기 때문에 한국의 많은 남성 작가들이 읽고 있을 텐데요 21세기 한국문학에서 가장 중요한 흐름이라고 생각해요 김영하: 사실 페미니즘에 맞춰 제가 살아온 인생을 보면 부끄럽기 짝이 없어요

대세라는 걸 떠나 페미니즘은 옳아요 옳은 흐름이에요 김영하: 인권은 동의하고 동의하지 않는 문제가 아니에요 유엔이 동성애자와 성전환자들의 권리를 인정하는 결의안을 채택했잖아요

이건 합의를 한 거예요 김영하: (그렇게) 합의를 했으면 닥치고 받아들여야 한다고 생각해요 닥치고 받아들이는 정신, 이게 중요하다고 생각해요 김영하: 사람들과 만나 이야기를 하면 여전히 주저하는 부분도 있고, 이건 좀 과하지 않냐고 말하기도 해요 하지만 우리는 기득권자이기 때문에 바보일 수 있거든요 모르는 거예요 김영하: 사람은 자기가 경험한 한도 안에서 생각하니까

이해가 안 된다고 틀렸다고 생각하는데, 아닐 수 있거든요 김영하: 저는 밤거리를 돌아다닐 때 걱정을 안 해요 누구한테 잔소리를 듣는 일도 없고요 (남자로 태어났기에) 지금까지 이 사회에서 사회적 약자로 살아본 적이 없는 거예요

사실 김영하의 페미니즘은 무조건 받아들여야 한다, 라는 주장을 무조건 받아들일 수는 없습니다 왜냐하면 한국 사회의 페미니즘은 메갈리아같은 극단적인 형태로 나타나기 때문이죠 그럼에도 불구하고 김영하 스스로가 기득권이라고 자처하면서, 사회적인 약자들을 존중하는 발언은 의미가 있습니다 사실 김영하는 페미니즘외에도 여러번 이런 목소리를 냈었죠

김영하: 미국에 있을 때 즐겨보던 프로그램이 있었어요 사람들의 옷장을 점검해 주는 예능 프로그램인데, 시청자들이 사연을 보내면 패션 전문가가 출동을 하는 거예요 김영하: 당시 어떤 딸이 자기 엄마에 대한 사연을 보냈어요 딸아이는 고등학생인데, 그 엄마가 마치 센츄리21(젊은 층을 위한 미국의 저가 의류 브랜드)에서 산 것 같은 옷을 입고 돌아다니는 거예요

김영하: (그래서 방송 프로그램의 패널이) 이런 조언을 하죠 나이에 맞는 옷을 입으셔야죠 당신 딸이 괴로워해요 그러자 그 엄마는 난 과거부터 이런 옷을 좋아했어요

라고 대답을 했어요 김영하: 그러자 그 패널이 그건 옛날의 당신이고, 지금의 당신은 달라요 라고 대답을 해요 김영하: 사실 20대나 30대 초반의 젊은 나이때는 기성의 질서에 도전해요

우리 세대 (김영하의 나이가 50세이기에, 대략 1960년대 후반 세대)의 작가들이 대체로 그 이전 세대의 문학에 반해서 자신들의 미학을 구축해왔다면 이제는 그럴 때가 지났잖아요 김영하: 그런데 아직도 계속 뭔가에 도전하고 있다면, 저는 그것이 마치 딸의 옷을 입고 다니는 엄마처럼 이상하다고 생각해요 김영하: 과거에는 아웃사이더로서의 무모함이 필요했다면 지금은 오히려 인사이더의 윤리가 필요하다고 생각해요 이미 (기득권으로써) 안에서 오래 있었고, 한국 문학계가 줄 수 있는 것들을 많이 받았는데 아직도 자신을 아웃사이더로 생각한다면 문제가 있는 거잖아요

김영하: 옛날의 자세를 가지고 살아가다가는 ‘나는 옳고 남은 틀렸다’는 태도에 젖기 쉬워요 그래서 요즘에는 ‘내가 뭐 잘못하는 건 없나?’ 하는 자기성찰을 더 많이 하려 해요 확실히 40살, 50살이 넘은 나이에 마치 자신은 기득권이 아닌 것처럼, 기득권을 비판하는 것마냥 꼴불견인 것은 없죠

그런 의미에서 김영하처럼 순순히 기득권을 인정하고, 자기 성찰을 많이 하는 것이, 후배들에게 안 부끄러운 최소한의 모습이 아닌가 합니다 아무튼 김영하의 페미니즘 발언은 자신을 기득권 남성으로 보고, 혹시라도 무언가 잘못한 것이 없나, 혹은 어떻게 하면 여성들의 인권 향상에 도움이 될 것인가, 라는 김영하의 고민끝에 나온 생각인 것 같네요 다음은 김영하 작가에 대하여 사람들이 오해하는 것입니다

Learning Scikit-Learn (AI Adventures)

YUFENG GUO : Scikit-learn은 오래되었습니다 점점 인기있는 도서관이되었다

기계 학습으로 시작되었습니다 그러나 아직 시도해 볼 기회가 없다면, 괜찮아 함께 확인해 봅시다 Cloud AI Adventures에 오신 것을 환영합니다 우리는 예술, 과학 및 기계 학습 도구를 탐구합니다

내 이름은 Yufeng Guo이고,이 에피소드에서, Kaggle 커널에서 scikit-learn을 사용하여 시작하는 것을 도와 드리겠습니다 가이드 할 수있는 리소스가 있음을 알려줍니다 당신의 학습은 앞으로 나아갑니다 문맥에 대한 역사의 작은 대시로 시작합시다 Scikit-learn은 원래 scikits

learn이라고 불 렸습니다 Google Summer of Code 프로젝트로 시작되었습니다 David Cournapeau Scikit 부분은 SciPy Toolkit이라는 이름에서 유래했습니다 그리고 거기에서, scikit-learn는 꾸준히 가지고 있습니다

입양 및 인기를 얻은 곳 오늘은 잘 기록되어 있고 잘 사랑 받았습니다 파이썬 기계 학습 라이브러리 scikit-learn을 살펴 본다면 scikit-learnorg에서 – 그리고 너는 분명히 – 버전 번호가 매우 낮다는 것을 빨리 알 수 있습니다 0

19를 기록했다 그걸 두려워하지 마라 도서관은 꽤 오래되었습니다 매우 잘 관리되고 신뢰할 수 있습니다 scikit-learn에 대해 정말로 깔끔한 것은 무엇입니까? 여러 가지 작업을 수행 할 수있는 풍부한 도구 모음 나는 기계 학습을 "주변"이라고 부르고 싶다

여기에는 데이터 집합로드의 모든 내용이 포함됩니다 전처리 조작 파이프 라인 및 메트릭 제 의견으로는, 정말 놀라운 부분입니다 scikit-learn에 관한 정보는 광대 한 컬렉션입니다 모두 포함 된 기계 학습 알고리즘 그리고 당신은 그것들을 시험해 볼 수 있습니다

최소한의 코드 조정만으로 그것은 정말 놀라운 방법입니다 다른 유형의 모델은 물론 직관력을 얻습니다 특정 모델에 대한 다양한 매개 변수 행하다 scikit-learn의 간단한 예를 살펴 보겠습니다 Kaggle 커널에서 작동합니다

우리는 여기 동물원 동물의 데이터 세트를 가지고 있습니다 단지 101 개의 다른 동물 분류 작업은 이 동물들이있는 7 개의 다른 클래스들 중 어느 것이 었습니다 팬더를 사용한 일반적인 접근 방식을 사용하여로드합니다 클래스 유형 필드는 마지막 열에 있으며, 그것이 우리가 예상하는 칼럼입니다

과거에는 데이터를 손으로 섞어서 나누었습니다 우리가 여기서 볼 수 있듯이 팬더를 사용합니다 이제는 scikit-learn이 통합되었으므로 실행하지 않겠습니다 이 모든 작업을 하나의 기능으로 그것들은 단지 너무 일반적으로 사용되기 때문에, train_test_split이라고합니다 교육 및 테스트 데이터 작성을 담당합니다

귀하의 기능과 라벨을 위해 이것들의 모양이 우리가 예상했던 것과 똑같은 것을 볼 수 있습니다 기본값은 데이터의 25 %를 사용하는 것입니다 나머지 75 %는 교육을받습니다 Support Vector Classifier 또는 SVC를 사용합니다

이 예제에서 하지만이 기계를 다른 기계로 쉽게 교체 할 수 있습니다 학습 알고리즘 다음으로, 우리는 그것에 적합하다고 부를 것이다 기차와 정말 같습니다

그런 다음 score를 호출하여 모델 성능을 평가합니다 마지막으로 몇 가지 예제를 시도하기 위해 예측을 호출합니다 보시다시피 scikit-learn에는 실제로 매핑되는 API가 있으며, 개념적 워크 플로와 정말로 비슷하게, 사용하기 쉽습니다 그래서 이것은 매우 단순하고 빠른 모양이었습니다

scikit-learn을 통합하는 방법 우리가 해왔 던 기존 작업 중 일부로 하지만 당신이 훨씬 더 많이 할 수 있다는 것을 압니다 자습서와 문서를 살펴보고, 멋진 모델을 만들 수 있습니다 다음에는 기계 학습의 다른 측면에 대해 이야기하겠습니다 scikit-learn으로 예측하기 그리고 그것을 확장하는 방법 클라우드 AI 모험 에피소드를 시청 해 주셔서 감사합니다

그리고 그것을 즐긴다면, 그것을 좋아하십시오 모든 최신 에피소드를 바로 구독하려면 구독하십시오 그들이 나올 때 그리고 기계 학습의 광대 한 세계를 탐험하는 것을 잊지 마십시오 scikit-learn이 제공해야하는 모델, 모두 간단하고 깨끗한 API를 사용합니다

Google AI with Jeff Dean: GCPPodcast 146

[음악 재생] MARK MANDEL : 안녕하세요 에피소드에 오신 것을 환영합니다

주간 Google Cloud Platform 팟 캐스트 번호 146 내 이름은 마크 만델 (Mark Mandel)이고, 나는 언제나처럼 여기에있다 내 동료 인 멜라니 워릭과 멜라니, 어떠니? 안녕, 마크 잘하고있어 잘 지내? 나는 잘하고있어

나는 아주 잘하고있다 오늘의 에피소드에 매우 흥분됩니다 멜라니 워릭 : 예, 이번 주 특히, 우리는 Jeff Dean과 함께 할 수있게되어 매우 기쁩니다 MARK MANDEL : 네 멜라니 워릭 : 너에 대해 들었을지도 모를 사람 Google과 AI에 대해 조금 알고있다

TensorFlow 및 TPUs 및 대형 데이터 시스템과 고양이에서 사용할 수 있습니다 [CAT PURRING] 너는 그 사람에 대해 들었을지도 모른다 MARK MANDEL : 고양이 네, 고양이 어쨌든, 모든 것

MARK MANDEL : 그것은 중요합니다 그래 좋아 멜라니 워릭 : 컴퓨터 시스템, 하드웨어 및 모든 것 그래서 우리는 그와 큰 대화를 나누었습니다 이 주제들을 많이 다루었습니다

네, 그렇습니다 멜라니 워릭 : 그러나 이유의 일부 왜 이번 주 인터뷰를했는지 이번 주는 Deep Learning이기 때문에입니다 Indaba, South의 Stellenbosch에서 일어나고 있습니다 아프리카

그리고 그것은 연구원들을 모으고 있습니다 아프리카 대륙 내의 여러 나라에서 온 지식을 공유 할 수 있습니다 제프 딘 (Jeff Dean)이 거기에서 말하려고합니다 나는 또한 에피소드를 녹음 할 예정이다 그래서, 우리는 조금 강조하고 싶었습니다

우리는 실제로 그것에 대해 팟 캐스트에 들어 가지 않습니다 나중까지,하지만 당신은들을 수 있어요 그가 이야기 할 내용을 들어보십시오 회의에서 언제나처럼, 우리가 그것에 들어가기 전에, 우리는 일주일의 멋진 것들로 시작할 것입니다

그리고 우리는 그주의 질문으로 끝날 것입니다 그리고 우리는 특별한 손님이 합류했습니다 우리는 그주의 질문을 돕기 위해, IoT 코어에서 표시 할 데이터를 얻는 방법 웹 프런트 엔드에서 실시간으로? MARK MANDEL : 예, 우리는 Gabe Weiss를 오늘 우리와 함께합니다 GABE WEISS : 안녕, 친구 멜라니 워릭 : 그럼, 시작하자

일주일의 시원한 것들, 내가 잡은 것 Google이 최근에 베타 데이터 세트 검색을 실시한 것입니다 그래서 저는 이것을 실제로 잡았습니다 Ben Hamner, Kaggle의 CTO 인 CTO는 오늘이를 트윗했습니다 그리고 구체적으로 그는 어떻게 알았습니까? 이렇게하면 열린 데이터 세트에서 메타 데이터를 색인화하는 데 도움이됩니다 사람들에게 매우 유용해야합니다

연구자와 공개 데이터 세트에 관심이있다 그들을 탐험하고 싶다 그래서 우리는 그것에 대한 링크를 포함시킬 것입니다, 그러나 그것은 꽤 많이 있습니다 검색 도구 Google 검색 도구로 데이터 세트에만 사용됩니다

MARK MANDEL : 굉장해 나는 내가 좋아했던이 정말로 냉정한 것에 대해서 이야기하고 싶었다 우리는 공개 데이터를 확대하고 있습니다 지형 공간 및 ML 기반 분석을위한 세트 클라우드에서 다시 들었을 수도 있습니다

BigQuery 스토리지 5 페타 바이트를 추가로 발표했습니다 공개 데이터 세트에 사용할 수 있습니다 블로그 포스트에서 우리는 쇼 노트에 링크 할 것이고, 우리는 또한이 추가 저장 장치가 향후 5 년 동안 사용할 수 있습니다 정말 멋지다 다음부터는 7 개의 새로운 데이터 세트가 탑재되었습니다

미국의 경계를 정의하는 우편 번호 같은 것들과 같은 것들에 의해, 기본적으로 지형 공간 질의를 지원합니다 그래서 우리는 당신을 위해 거기에 새로운 데이터를 가지고 있습니다 지형 공간 작업 수행, ML 기반 분석 수행 이제 BigQuery에서 사용할 수있는 새로운 ML 툴킷을 사용하십시오 그리고 만약 당신이 그 중 하나를 이용하고 싶다면, Google Cloud Platform으로 이동하십시오 시장

이동할 수있는 데이터 세트 필터가 있습니다 그리고 마지막으로, 우리는 당신을 위해 약 101 개의 다른 공개 데이터 세트가 있습니다 BigQuery에서 재생할 수 있습니다 그리고 테라 바이트까지 쿼리 할 수 ​​있습니다 BigQuery에서 무료로 제공됩니다

꽤 놀랍습니다 멜라니 워릭 : 우리가 언급하고 싶은 또 다른 것, 다시 Kaggle과 Google AI를 참조하면서, Kaggle을 통한 새로운 도전이 있다는 것입니다 Google AI가 게시 한 사용자와 Kagglers를 격려하기 위해 거기 밖으로있는 모델을 개발하기 위해 데이터 세트에 존재하는 사각 지대에보다 강하다 우리는 과거에 이것에 대해 이야기했습니다 많은 사람들이 기계 학습 편견과 공정성에 대해 논의합니다

특히, 당신도 알다시피, 정말로 유래합니다 데이터 자체와 데이터가 실제로 어떻게 될 수 있는지 네가 모은 것에 편향되다 그러면 이것이 어떻게 구축 된 모델에 영향을 미칠 수 있는지에 대한 것입니다 그래서 그들의 도전은 구체적입니다 그것을 설명하기위한 기술과 접근법을 확인하는 것을 돕는다

병을보다 견고하게 만들 수 있습니다 이 과제는 특히 두 단계로 실행되도록 설정됩니다 그들은 웹 사이트에서 정보를 얻었습니다 우리는에 대한 링크를 유지할 것입니다 그러나 그것은 NIPS의 시간을 감싸 할 것입니다

올해 12 월 말입니다 그래서 그걸 확인하고 실험해볼 수 있습니다 마크 AND델 : 훌륭합니다 나는 또한 우리가 톱 100을 조사하고 있었다는 것을 언급하고 싶다 최근 아이튠즈에서 포드 캐스트 기술을 선보이고있다

[트럼펫 게임] 멋진 데요 듣고있는 모든 사람들에게 진심으로 감사드립니다 iTunes에서 우리를 평가 한 사람들, 기본적으로 팟 캐스트를 지원했습니다 그것은 정말 좋은 작은 일입니다 멜라니 워릭 : 네

그리고 마지막으로,하지만 적어도, 당신이 원한다면 깊은 학습을 위해 TPU가 미세하게 조정 된 이유를 알고 싶다면, 우리는 공유 할 블로그 게시물을 가지고 있습니다 당신이 이것을 들여다 볼 수 있습니다 그리고 우리는 이것이 특히 중요하다고 생각했습니다 오늘의 에피소드와 관련성이 있습니다 그러나 그것은 신경망이 무엇인지를 단계별로 안내합니다

TPU 작동 방식을 안내합니다 CPU와 비교할 때 유용합니다 그리고 멋진 그래픽을 볼 수 있습니다 너를 밟아서 좋은 일을해라 시각적으로 보입니다

좋아요 멜라니 워릭 : 그리고 일부 가격 정보 하단에도 마크 멘델 : 아주 멋지다 알았어, 마크 나는 우리가 나아가서 그것에 들어가야한다고 생각합니다

제프와 좋은 인터뷰를했습니다 MARK MANDEL : 친구 인 Jeff와 이야기하러 가자 멜라니 워릭 : 네, 제 친구 우리는 카드를 사용합니다 우리와 함께 오늘 제프 딘 (Jeff Dean) Google AI를 이끌고 있습니다

제프와 함께 해주셔서 감사합니다 제프 딘 : 저를 아주 많이 보내 주셔서 감사합니다 멜리안 워릭 : 제프, 제 말은, 많은 사람들을 알고 있습니다 네가 누군지 알아 그러나 우리는 항상 모든 사람들에게 누가 쇼에 나와서 자신에 대해 조금 말하면서, 당신의 배경은 무엇입니까? 물론이지

따라서 현재 Google의 AI 부서를 이끌고 있습니다 내부적으로 Google은 Google Research and Machine 지능형이지만 외부 적으로는 Google AI를 사용할 수 있지만, 우리가 누구에게 말하는지에 따라 그리고 그 조직은 많은 다른 종류를합니다 컴퓨터 과학 연구 근본적인 연구를하고 있습니다

새로운 로그와 새로운 기법을 만들어 문제를 해결합니다 Google은 Google 제품 영역에서 상당한 업무를 수행합니다 흥미로운 연구 문제를 해결하기 위해 제품의 맥락에서 우리 연구의 종류를 얻는다 모두가 알고 사랑하는 Google 제품으로 사용합니다 우리는 또한 일종의 시스템에 대해 좀 더 많은 작업을 해왔습니다

우리 연구를 가능하게하는 인프라, 하지만 내부 개발자가 사용할 수있는 도구를 만들 수도 있습니다 Google뿐 아니라 외부 개발자 우리가 소스 물건을 열 때 그래서 TensorFlow는 우리 그룹에서 나왔습니다 인기있는 기계 학습 툴킷입니다 우리는 이것이 실제로 확장하는 좋은 방법이라고 생각합니다

우리가하고있는 연구의 영향, 사람들이 그 다음에 작업을 쉽게 할 수 있도록하는 것입니다 우리가하고 있고 좋은 도구를 사용할 수 있습니다 그리고 네 번째 종류의 것 우리가 일반적으로하는 일은 Google 현재 우리 연구가 할 수 있다고 생각하는 곳에서 일하지 않습니다 큰 영향 그래서 우리는 일종의 기계에 대해 많은 연구를 해왔습니다

건강 관리를위한 학습, 로봇 공학을위한 기계 학습, 우리는 그러한 것들이 새로운 떠오르는 분야라고 생각하기 때문에 기계 학습 및 연구 큰 차이를 만들 것입니다 멜라니 워릭 (MELANIE WARRICK) : 당신 팀이하는 일의 관점에서, 너에게 어떤 의미가 있니? 그리고 그것은 당신을 위해 어떻게 생겼을까요? 이제는 – 이것이 아주 새로운 입장이라는 걸 알기 때문에, 당신이 Google AI의 리더로서 어느 정도까지 올해 말이야, 그렇지? 네, 그렇습니다 저는 3 월 말, 4 월 초에이 역할을 맡았습니다 기본적으로 우리의 위대한 연구자들에게 영감을주는 것이 목표입니다 훌륭한 연구를하고 태클을하기 중요한 야심적인 문제들

우리가 일해야한다고 생각해 월요일 코딩을 보내고 있습니다 오, 와우 제 동료 : 산 제이 Ghemawat, 나는 오랫동안 함께 일해 왔습니다 나는 아마 4 ~ 5 개의 다른 프로젝트를 갖고있을 것입니다

나는 실제 기술 수준에서, 주간 회의에 참석하는 곳 기술적 제안 등을하십시오 그리고 나서 나머지 시간은 보냈습니다 합리적으로 큰 조직을 조종하려는 종류 올바른 일을하고 확실하게하기 우리는 올바른 문제에 집중하고 영향력을 행사할 수 있습니다 MARK MANDEL : 굉장해 멜라니 워릭 : 나는 궁금한데, 무엇을 코딩하고 있니? 제프 딘 : 대부분 C ++

오, 재미 있네 그래서 나는이 질문을하는 것을 좋아한다 AI와 ML에서 일하는 사람들에게, 우리가 다양한 대답을 얻었 기 때문입니다 AI가 당신에게 의미하는 것은 무엇입니까? 제프 딘 : 기본적으로 문제를 해결할 수있는 컴퓨터 시스템을 가질 수있다 당신은 인간의 지능이 필요하다고 생각할 것입니다

Mark MANDEL : 사실 그것은 우리가 가진 가장 간결한 대답 멜라니 워릭 : 예, 꽤 간단합니다 글쎄, 당신이하는 일의 관점에서, 당신은 무엇을합니까? 당신이하는 가장 큰 도전 과제 중 하나라고 생각합니다 반대? 제프 딘 : 정말로, 그것은 흥미로운 시간입니다 컴퓨터 과학 연구 분야에 종사하다 기계 학습 연구 이 분야에 대한 관심이 폭발적으로 증가하고 있습니다

마지막으로 아마 7 ~ 8 년 동안, 공동으로, 연구 공동체로서, 우리는 컴퓨터가 할 수있는 것을 정말로 추진해 왔습니다 나는 이것이 컴퓨터 비전에서 가장 눈에 띄는 종류라고 생각한다 근본적으로 깊은 학습을 사용하는 분야 컴퓨터 비전 모델이 갑자기 컴퓨터를 변형 시켰습니다 지금부터 잘 볼 수 없다는 것에서 실제로 볼 수 있습니다 그리고 세계에 대한 영향을 생각한다면 가지고있을 것이고 이미있다

그게 변형 적입니다 갑자기 자동화 된 기계를 가질 수 있습니다 그들 주위의 세계를 인식 할 수 있고, 그들이 무엇을보고 있는지 이해할 수 있습니다 그리고 그것은 일반적인 컴퓨터 비전에 큰 영향을 미칩니다 따라서 많은 경험을위한 핵심 원동력입니다

Google 포토는 Google 사용자에게 제공됩니다 우리는 그것이 도버맨 (doberman)의 그림이라는 것을 이해할 수 있습니다 그리고 그것은 산이다 그러나 그것은 또한 건강 관리에서 변형적인 것을 의미합니다 따라서 수 많은 영상 의학 관련 문제 이제 자동화 된 기계로 다룰 수있는 일종의 태클이다

알고리즘 학습 및 지원 그런 식으로 의료 전문가의 일종 멜라니 워릭 : 네 로보틱스, 아주 분명합니다 로봇을 만들고 싶다면 매우 도움이됩니다 로봇이 볼 수 있다면

멜라니 워릭 : 네 그래서, 큰 의미가 있습니다 그리고 나는 우리가 중대한 진전을 이루고 있다고 생각한다 기계 학습과 관련된 다른 분야에서, 자연어 이해와 연설 같은 것들 인식 지난 6 ~ 7 년 동안 엄청난 발전을 보았습니다

연령 그리고 그것은 정말로이 모든 기회가 있음을 의미합니다 우리가 어떻게 이러한 새로운 기능을 사용해야하는지에 대해 세상에 영향을 미치고 더 나은 곳으로 만들기 우리가 이전에 만들 수 없었던 새로운 것을 만들어야합니다 그리고 그것이 흥분이라고 생각합니다 그리고이 분야를 연구하는 데있어 사람들은이 분야에서 연구를합니까? 더 많은 사람들이 어떻게이 분야에 들어가 연구를 할 수 있을까요? 멜라니 워릭 : 그래서 우리는 올해 초에 Fei-Fei Li 박사와 클라우드 인공 지능을 둘러 봤습니다

우리는 너무 오래 전 DeepMind에서 Raia Hadsell과 이야기를 나누었습니다 일부 로봇 연구에 대해 이야기했습니다 그들이하는 일 Brain과 Google AI는 어떻게 협력합니까? 다른 그룹들과? 네 맞습니다

따라서 우리는 실제로 강력한 협력 관계를 유지하고 있습니다 모든 Google 및 전체에 걸쳐 많은 분야에서 알파벳의 예를 들어 클라우드 AI에서는 그들이 시장에 내놓는 일종의 Google AI Research에서 연구 프로젝트로 시작되었습니다 분할 그리고 우리는 지금 긴밀히 협력하고 있습니다

AutoML 연구와 같은 것들을 가져 오려면 클라우드 AutoML, 현재 컴퓨터 비전 또는 다른 종류의 고객 어쩌면없는 문제들 직원이 정교한 기계 학습 개발자 그러나 활용할 수 있기를 원한다 현재 존재하는 기계 학습 기능 중 자동으로 훈련하고 배울 수있는 시스템을 갖추고있다 고객이 가질 수있는 새로운 문제를 해결할 수 있습니다 어셈블리에 깨진 부품이있을 수 있습니다 라인과 깨진 부분이 아니며 구별 할 수 있기를 원한다

그리고 그들은 기본적으로 그 이미지들을 업로드 할 수 있습니다 그 (것)들을 돕는 훈련 한 모형을 얻으십시오 그 특별한 일로, 심지어 가질 필요없이, 일종의, 마스터 레벨 머신 직원에 대한 학습 전문가 멜라니 워릭 : 의미가 있습니다 특히 열정의 분야 중 하나를 알고 있습니다 그리고 당신이 중요한 영향을 미쳤던 곳에서, 특히 텐서 처리 장치 (TPU) 주변에 있습니다

처음 개발을 추진하거나 고무시키는 요인 TPUs의? 그리고 전에 네가이 대화를 나눴다는 것을 안다 하지만 아시다시피, 특히 당신의 경험에서 네가 따라 와서 시작하는 기술로 그게 너 한테 왔니? 네 맞습니다 그래서 저는 항상 컴퓨터가 어떻게 흥미로운 문제를 해결하십시오 그리고 그 일을하는 흥미로운 방법 중 하나는 당신이 할 수있는 문제에 더 많은 계산을 필요로한다

더 정교한 알고리즘을 사용하십시오 또는 더 큰 데이터 세트를 사용하여 더 나은 통찰력을 이끌어 낼 수 있습니다 따라서 더 많은 계산을하는 것이 일반적입니다 컴퓨팅에서 좋은 점 그리고 어쩌면 2011 년, 2012 년경에, 내가 공동 설립 한 Google Brain Project 시작하기 만하면 시작했습니다

여러 제품 팀과 공동 작업 Google에서 일부 제품에 대한 심층 학습을 사용합니다 그리고 우리가 가장 긴밀하게 협력 한 음성 인식 팀이 더 오래된 스타일의 기계 학습 모델의 종류 음성 인식에 사용하고 있었다 그것의 어쿠스틱 부분에 대한 깊은 학습 기반 모델이 있습니다 모델의 일부분은 매우 작은 오디오 녹음에서 단어의 일부로 이동합니다 "buh"또는 "fff"또는 "sss"입니까? 그래, 맞아

제프 딘 : 그리고 다른 모델이있었습니다 처음에는 집중하지 않았고 처리의 그 단계 후에 종류 그러나 어쿠스틱 모델을 깊은 학습 기반으로 대체하는 것은 음향 모델은 인식 정확도에서 많은 이득을 얻었다 그래서 우리는 음성 인식이 향상됨에 따라, 사람들은 점점 더 그것을 사용할 것입니다 그래서 나는 백 앤 더 봉투를 만들기 시작했습니다

사람들이 말하기 시작하면 어떻게 될까? 하루에 3 분간 전화를 걸 겠지? 연설로 모든 이메일을 초안으로 작성하기 때문에 또는 뭔가 그리고 당시에는 많은 CPU가있었습니다 우리의 데이터 센터에서 그리고 얼마나 많은 계산을했는지 1 억 명의 사용자가 그 일을 시작 했어 사실 그건 발굴과 무서운 종류

기본적으로 컴퓨팅 풋 프린트를 두 배로 늘려야합니다 약간 더 나은 연설처럼 지원하기 위해 Google의 사용자의 적당한 부분에 대한 인식 모델 MELANIE WARRICK : 합법적 인 것 같습니다 네, 조금 무서운 것 같아요 그래, 맞아

제프 딘 :하지만 우리가 그걸 배포하고 싶은 것이 분명합니다 인식 정확도의 향상 사실 꽤 중요합니다 그래서 우리는 잘 보았습니다 우리는 이러한 종류의 심층 학습 모델을 위해 무엇을 할 수 있습니까? 그것은 계산 상 효율적일까요? 그리고 정말 좋은 두 가지 속성이 있습니다 깊은 학습 모델에는 있습니다

그래서 처음에는 정밀도가 떨어지는 것에 매우 관대합니다 근본적으로, 당신이 정밀도를한다면 정확도의 10 진수 한 자리까지 이것은 실제로이 모델들에 대해서는 완벽하게 훌륭합니다 6 자리 또는 7 자리의 정밀도가 필요하지 않습니다 부동 소수점 연산이나 심지어는 이중 조합에서 더 많은 것 그리고 그들이 가지고있는 두 번째 재산 모든 알고리즘이 구성되어 있다는 것입니다

빌딩 블록의 소수의 다른 구성의, 근본적으로 행렬 곱하기, 벡터 점 제품 선형 대수학 작풍 따라서 하드웨어 만 만들 수 있다면 저 정밀도, 선형 대수학, 당신은 황금이에요 그리고 그 덕분에 당신은 정말로 재단사가 될 수 있습니다 그걸 할 수있는 하드웨어 그것은 모든 종류의 twisty branch-y C ++ 코드를 수행 할 필요가 없습니다

임의의 것들, 포인터 역 참조, 단지 저 정밀도 선형 대수학, 갑자기 당신은 완전히 디자인 할 방법을 다시 생각할 수 있습니다 그 일을하는 컴퓨터 MARK MANDEL : 정확히 무엇에 집중했는지 그것이 할 수 있는지, 특정 응용 프로그램이 있음을 의미합니까? TPU가 더 좋거나 나쁘다 네가 뭔가를 사용할 수 있다고 또는 어떻게 작동합니까? 네 맞습니다

그래서 이것은 양날의 칼 중 하나입니다 전문 분야가 지나치게 전문화되면 일반적으로 적용 할 수 없습니다 그러나 당신이 무언가를 매우 일반적으로 적용 가능하게 만든다면, 다음 모든 성능 이점을 얻을하지 않습니다 전문화에서 얻을 수 있습니다 그리고 우리는 실제로 TPU에 대해 꽤 좋은 균형을 택했다고 생각합니다

그들은 본질적으로 가속하도록 설계되었습니다 깊은 학습에서 발견 한 것과 정확히 같은 종류의 작업 모델 따라서, 그들은 범용 일종의 전산 장치가 아닙니다 그러나 그들은 특정 모델에 맞춰져 있지 않습니다 그들은 모든 종류에 맞춰져있다

일반적으로 깊은 학습 모델을 발견 할 수 있습니다 그래서 당신은 그들에 비전 모델을 실행할 수 있습니다 음성 모델을 실행할 수 있습니다 반복적 인 언어 모델을 실행할 수 있습니다 최초의 TPU 인 TPU v1이 목표였습니다

오직 추측에서만, 당신이 실제로 어디에서 교육 과정보다 정확도가 떨어집니다 그리고 그것은 우리의 가장 시급한 문제였습니다 그것이 음성 인식 모델을 얻는 방법이었습니다 Google의 데이터 센터 공간을 두 배로 늘리지 않고도 그리고 나서 두 번째 TPU는 정말로 훈련과 추론을 모두 목표로합니다 그리고 우리가 그걸 처음부터 물지 않은 이유는 그 훈련은 훨씬 더 복잡한 하드웨어 디자인이었습니다

문제 추론을 위해서, 보통 당신 단일 모델이되도록 설계 할 수 있습니다 하나의 칩에 적합합니다 그리고 더 많은 용량이 필요하다면 그 시스템의 사본을 많이 넣고 많은 컴퓨터의 많은 보드, 갑자기 많은 음성 인식 기능이 있습니다 생산 능력

교육을 위해 대형 모델에서는 거의 사용하지 않습니다 당신은 하나의 칩을 충분히 빨리 얻을 수 있습니다 매우 빠른 모델을 훈련 그리고 당신이 정말로 훈련에서 원하는 것 기계 학습 실험을위한 빠른 처리 시간입니다 또는 거대한 확장 성을 제공하므로 매우 큰 모델을 매우 대용량 데이터 세트는 매우 신속하고 연구 관점에서 기계를 반복 할 수 있습니다

또는 배포 된 시스템, 알다시피, 당신은 10 분마다 모델을 재교육하고 싶을 수도 있습니다 데이터가 변경되기 때문입니다 칩 설계 문제 만은 아닙니다 실제로는 전체 컴퓨터 시스템입니다 슈퍼 컴퓨터 디자인 문제와 비슷합니다

당신은 칩을 가지고 있고 그 다음에 칩을 가지고 있습니다 복잡한 상호 연결이있다 그것들을 서로 연결합니다 이 거대한 것을 어떻게 식히는 지에 대한 냉각 문제가 있습니까? 여러 개의 랙으로 구성됩니다 그래서 우리가 첫 번째 시스템에서 그 것을 물지 않은 것입니다

TPU의 두 번째 반복까지 기다리기로했다 교육에도 착수하는 디자인 멜라니 워릭 : 그리고 당신은 올해 버전 3을 발표했습니다 TPUs의뿐만 아니라 네

네 멜라니 워릭 : 그리고 나는 기억하고있다 그 냉각 시스템, 이제 액체 야? 네 팬시 제프 딘 : 그러니까, 네, 예, 예, 예, 그것은 환상적이다

컴퓨터와 물을 섞을 때마다 언제나 흥미 진진합니다 [웃음] 그래서 Sundar가 Google I / O에서 발표 한 TPU v3 2018 년 5 월에 근본적으로 물이 냉각되었습니다 그래서 보드에는 4 개의 칩이 있습니다 그리고 물의 냉각 종류가 간다 이 칩의 표면에 과도한 열을 빼앗아 간다

가장 큰 설치 면적 – 우리는 이것들을 포드라고 부릅니다 TPU v2 포드는 기본적으로 구성되었습니다 64 개 장치 중 256 개 TPU v2 칩 그리고 TPU v3의 포드 스케일은 훨씬 더 큽니다 그래서 우리는 약 8 배의 계산량을 가지고 있습니다 우리가 TPU v2 포드에서했던 것처럼 TPU v3 포드에서

너의 팀에있는 몇명의 사람들을 안다 특히 Stanford DAWNBench를 실행하고있었습니다 그들은 차이점을 보여주었습니다 그것의 성과의 점에서 지금 당장 ImageNet과 같은 모든 것들이 내 머리 속으로 들어갑니다

그러나– 나는 그렇게 부른다 멜라니 WARRICK : – 대황 벤치 – 제발 JEFF DEAN : DAWNBench는 새로운 기계 학습입니다 벤치 마크는 스탠포드, 설계된 DAWN 연구 그룹 다양한 종류의 기계를 보는 것 학습 문제, 훈련과 추론, 그리고 측정 몇 가지 다른 통계 그래서 그들 중 하나는 특정 기계 학습을위한 것입니다

문제, 특정 수준의 정확성에 얼마나 빨리 도달 할 수 있습니까? 그것은 그 문제에 대한 정확도의 좋은 수준입니까? 그리고 그 중 하나는 ImageNet 처리 벤치 마크이며, 어디에서 76 % 1 위의 정확도를 얻어야합니다 MELANIE WARRICK : 그리고 이것은 이미지를 분류하는 것입니다 제프 딘 : 이미지 분류, 맞아 MELANIE WARRICK : ImageNet은 매우 좋습니다 네, 그렇습니다

멜라니 워릭 : 그리고 이것은 당신이 – 당신은 컬러 이미지를 얻습니다 그것을 1,000 개의 범주 중 하나로 분류해야합니다 그것의 실제로 꽤 어려운, 인간의 오류율 1 위의 정확도는 약 5 %입니다 오, 와우 제프 딘 (Jeff Dean) : 개 품종이 40 종류 나되었으므로, 너는 구별 할 수 있어야한다

마크 맹델 : 그럼 TPU가 꽤 괜찮은 것 같아요? 네, 그래서 TPUs는 3 위를 차지했습니다 포드 (Pod)를 사용한 전체 시간 메트릭의 스팟들 그리고 나서 상위 두 곳은 비용으로 생각합니다 퍼블릭 클라우드 컴퓨팅 리소스를 사용합니다 멋지다

WARRICK : 멋지다 자,이 칩들과 함께 일하는 것에 대해 가장 즐기는 것은 무엇입니까? 그리고 병렬 처리 작업? 제프 딘 : 사실 나는 흥분했습니다 꽤 오랜 시간 동안 병렬 처리에 대해, 대학에서 내 고등학교 1 학년 때부터 미네소타에서 병렬 처리 그리고 그 당시 저는 그것에 정말로 흥분했습니다 왜냐하면 나는 더 많은 계산이 답이라고 느꼈기 때문에 더 많은 문제를 해결할 수 있습니다

그리고 이것은 흥분의 첫 번째 물결에서 일종의 것이 었습니다 80 년대 후반에 발생한 신경망에 대해 새로운 알고리즘이 개발 된 90 년대 초반 잠재적으로 처음으로 부상했을 때 어려운 문제를 해결하는 흥미로운 방법 그리고 그 당시, 기본적으로 신경망 장난감 크기의 문제에 대한 흥미로운 결과를 얻을 수 있습니다 정말 재미있는 문제의 규모가 아닙니다 그래서 이것에 대한 흥분의 물결이있었습니다

그러나 그때 흥분의 물결 속에서, 나는 더 많은 계산을 느꼈다 시키는데 도움이 될 것 같았 어 우리는 더 큰 문제를 해결합니다 그래서 저는 교수와 함께 일하는 학부 논문을 만들었습니다 병렬 및 분산 컴퓨팅 클래스를 가르쳤다

나는 독립적 인 논문을 만들었다 신경망의 병렬 교육 그래서 우리가 64 프로세서를 사용할 수있는 것처럼 느껴졌습니다 우리가 부서에 있던 기계와 그것에 평행 방법을 적용하면 우리가 알 수 있습니다 이러한 것들에 적용된 60 배 이상의 계산, 그리고 우리는 더 큰 문제를 확장하고 다룰 수있었습니다 되돌아 보면, 우리는 백만 배나 더 많은 계산이 필요했습니다

60이 아닙니다 근본적으로 무어의 법칙을 기다리고 있다면 적어도 5 ~ 10 년 전까지 만해도, 무어의 법칙 상당히 느려졌다 하지만 그 전에는 25 년, 40 년, 심지어 우리는 일관된 2 배 성능을 얻고있었습니다 개선 2 년마다 너는 충분히 오래 기다린다

갑작스러운, 짜잔, 백만 배나 많은 계산 그리고 당신은 황금이에요 그리고 그것은 2008 년, 2009 년에 시작된 일종의 것입니다 우리는 갑자기 충분한 계산량을 얻었습니다 게임용으로 설계된 GPU 카드를 사용하여, 그러나 분명히 훈련에 아주 유용하다고 판명되었습니다

깊은 학습 모델, 왜냐하면 당신이 많이 가속하기 때문에 그래픽 처리를 원한다 깊은 학습 모델을 훈련 할 수있는 것으로 밝혀졌습니다 그래서 학계에있는 사람들이 우리가 시작했다는 것을 정말로보기 시작했다 실제 문제에 대한 흥미로운 결과를 얻기 위해 신경망 그래, 맞아

제프 딘 : 그러니까 흥분이있었습니다 백업을 구축하기 시작했습니다 멜라니 워릭 : 가장 힘든 일은 무엇인가요? 당신의 경력에 ​​부품? AI가 잘 받아 들여진 것 같지 않았습니다 그 사이에 수년간 공부할 때 수년 동안 2006 년 말이 맞지? 그래서 가장 어려운 순간들은 무엇 이었습니까? 이 관심을 추구하는 측면에서, 이 연구를 추진하고 있습니까? 네 나는 사실이 종류의 일반적인 컴퓨터 시스템으로 온다

사람 그래서 저는 렌즈의 종류를보고 싶습니다 나는 문제를 일으킨다 흥미로운 문제가있다 우리가 컴퓨터 시스템을 어떻게 구축 할 수 있는지 알아 보겠습니다

그 문제를 해결하기 위해 종종 관련이 있습니다 계산 표현을위한 좋은 추상화 우리는 많은 양의 계산을 수행하거나 사용하려고합니다 병렬화하거나 배포하는 방법 알아보기 많은 컴퓨터에서의 계산 그래서 우리는 경쟁을 확대 할 수 있습니다 그래서 저는 학부생으로 일하고 있었지만 신경 네트워크의 병렬 학습 나는 그것의 관점에서오고 있었다 어떻게 할 수 있는가? 우리는 이것을하기 위해 컴퓨터 시스템을 만들었습니까? 그리고 나서 다시 돌아 오기 시작했습니다

2011 년 기계 학습에 관심 Andrew Ng와 충돌했을 때 구글의 마이크로 키트 – 멜라니 워릭 : 그것은 말할 것입니다, 그 이야기는 당신이 마이크로 키친에 있었습니까? 네, 그렇습니다 그래서, 나는 그를 조금 알았고 그래서 나는 말했다 오, 너 여기서 뭐하고 있니? 그는 오, 나는 구글 X에서 일주일을 보낸다 나는 아직 내가 여기서 뭘하고 있는지 알지 못했다 하지만, 알다시피, 스탠포드에있는 제 학생들 어떤 종류의 문제가 있는지보기 시작했습니다

신경망으로 해결할 수 있습니다 꽤 좋은 결과를 얻었습니다 나는 오, 정말? 꽤 괜찮은데 나는 학부생으로서 신경망에 대해 약간의 연구를했다 나는 그들이 지금 정말로 일하고 있다고 말했다

그리고 그는 좋아, 그렇습니다 그래서 저는 우리가 정말로 큰 신경망을 훈련해야한다고 말했습니다 그래서 그것은 일종의 기원이었습니다 구글 브레인 프로젝트를 어떻게 구성 할 것인가에 대한 그렉 코라도와 그리고 우리는 근본적으로 그 당시 가속기가 없었습니다 또는 데이터 센터

그러나 우리는 컴퓨터가 아주 많다고 말했습니다 컴퓨터 시스템을 만드는 방법을 알아 봅시다 정말로 큰 신경망을 훈련 시켜라 멜라니 워릭 : 이것을 활용합시다 제프 딘 : – CPU 사용

MARK MANDEL : 그래서 당신이 좋아하는 순간, 이것은 정말로 큰 일이 될 것입니다 그렇게 생각하니? 제프 딘 : 너도 알다시피, 일단 우리가 조금 더 일했으면, 어쩌면 또 다른 달 물에 빠진 것 같았 어 그게, 헤이, 우리는 실제로 사람들이 신경망을 사용하여 문제를 해결할 수 있습니다 오랫동안 올바른 추상화를 느꼈다 하지만 어쩌면 그들은 진짜 문제에서 갑자기 일하기 시작할 것입니다

우리가 많은 계산을 적용 할 수 있다면 그리고 그것은 정말로 제 많은 관심사였습니다 지난 6 ~ 7 년 동안 어떻게 문제를 계산할 수 있을까요? 당신은 기계 학습으로 태클하고 싶습니다 특히 깊은 학습 멜라니 워릭 : 그래서, 우리는 오늘 이것을 기록하고 있습니다

신경 정보 처리 시스템 회의 이후 – 제프 딘 : NIPS 멜라니 WARRICK : – 밖으로 나와 네, 그렇습니다 멜라니 워릭 : 11 분, 몇 초 만에 제프 딘 : 48 세

멜라니 워릭 : 48 초 제프 딘 : 11 분 48 초 예 멜라니 워릭 : 예를 들어 이것을 사용하고 있습니다 이 분야에는 많은 흥미 진진한 이야기가 있습니다

이 모든 흥분에 대해 어떻게 생각하세요? 알다시피, 과장된 과대 광고가 있습니다 그러나 다른 한편으로, 과대 광고, 그것의 일부 실제로 정당화됩니다 왜냐하면 우리는 이제 실제로 우리가 할 수없는 문제를 해결할 수있는 시스템을 만들 수있다 5 년 또는 10 년 전에 해결하십시오 나는 컴퓨터 비전에 대해 언급했다

음성 인식은 엄청나게 발전했습니다 번역이 향상되었습니다 이러한 종류의 많은 응용 프로그램 실질적인 개선 또는 새로운 기능을 보여주었습니다 어떤 컴퓨터가 할 수 있는지 그래서 나는 그것이 사람들이 흥분하고 많은 사람들로 이루어진 이유 중 일부라고 생각합니다

많은 사람들이 들판에 들어 오기를 원합니다 그래서 기계 학습 수업에 등록하는 것을 보았습니다 학부 및 대학원 레벨 그냥 지붕을 통과합니다 주요 기계를 다니는 사람들이 점점 더 많아지는 것을 보았습니다 회의를 배우기

연구 논문의 수를 봅니다 실제보다 빠른 지수 비율로 성장하는 아카이브 지난 7 ~ 8 년 동안 무어의 법칙보다 그것은 아주 주목할만한 일입니다 그리고 알다시피, 나는 성질을 나타내는 것이 중요하다고 생각한다 우리가 생각하는 사람들의 기대 문제를 해결할 수있는 초 지적 지능을 갖게 될 것입니다 인간이 풀 수없는 일반적인 문제, 향후 6 개월 이내에 그건 한 마디의 마약 중독이야

그것은 분명히 정당화되지 않았습니다 그러나 인식하는 것도 중요합니다 그 컴퓨터는 이제 그걸 꽤 큰 것으로 볼 수 있습니다 그리고 그것은 묶음에 큰 영향을 미친다 다른 지역의

알다시피, 구글은 알파벳으로 여기에있다 자율 주행을하고 있습니다 분명히 컴퓨터 비전과 인식 안전한 자율 차량을 만들기위한 중요한 요소입니다 로봇 공학, 의료 이미징을위한 기계 학습, 다른 의학 응용을위한 기계 학습, 건강 관리 응용 프로그램, 이들은 세계의 주요 문제를 변화시킬 것입니다 그리고 그건 좋은거야

그것이 과장된 이유입니다 과도한 과대 광고를 줄이는 것이 중요합니다 어떤 과대 광고도해서는 안된다고 말하면 안됩니다 우리가 상당한 발전을하고 있다고 생각하기 때문에 어떤 컴퓨터가 할 수 있는지 멜라니 WARRICK : 특히 모든 응용 프로그램 너는 많은주의를 기울이지 않는다고 생각하는 것을 보았다

그러나 꽤 영향력이 있습니까? 네 내 말은, 내가 왔음을 깨달았다 고 생각해 몇 가지 다른 문제 연구원을 보는 것에서 우리 그룹에서 태클을했고 다른 일이 계속되고 있습니다 많은 과학적 문제들에서, 예를 들어, 전통적인 고성능 일부 속성의 컴퓨팅 기반 시뮬레이션, 어떤 과학적인 것 어쩌면 당신은 화학적 상호 작용을 시뮬레이션하고있을 것입니다

매우 정교한 수준 어떻게 전자가 흐르고 어떤 성질을 갖는가? 그게 있니? 또는 지진 결함을 시뮬레이트하고있는 것일 수도 있습니다 너는 아주 상세한 분류가있다 지진 결함에서의 미끄러짐의 물리학 기반 모델 일어난다 그리고 종종 이러한 계산 모델 계산적으로 매우 비싸다

그래서, 알다시피, 당신은 하나의 화학 물질 시뮬레이터를 통해 1 시간 나중에 퀀텀에 대한 정보를 얻습니다 이 화학 물의 성질 또는 무엇이나 물건에 묶이는 속성 그런 식으로 그리고 실제로 시뮬레이터를 교사로 사용할 수 있습니다 그리고 만약 당신이 정말로 비싼 과학 시뮬레이터를 가지고 있다면, 종종 시뮬레이터의 기능을 수행하기 위해 신경망을 훈련 할 수 있습니다 완전히 엔드 투 엔드 (end-to-end) 당신은 시뮬레이터에 먹이를 주었을 것입니다

출력을 얻었고 많은 예제를 실행했습니다 시뮬레이터를 통해 이제 신경망을위한 훈련이 설정되었습니다 몇 가지 다른 도메인에서 Google은 실제로 보이는 사람들은 이것을합니다 그리고 예를 들어, 양자 화학 도메인 인 George Dahl 우리 연구 그룹의 다른 사람들은 일부 화학자들과 함께 연구했습니다

다른 대학에서 시뮬레이터를 가져 갔다 그들은 그것을 사용하기 위해 신경망을 훈련 시켰고, 이제는 정확도를 구분할 수 없습니다 원래 종류의 HPC 스타일 시뮬레이터와 비교합니다 그러나이 도구는 30 만 배 더 빠릅니다 MARK MANDEL : 와우

제프 딘 : 그리고 언제든지 당신의 도구를 가져 가세요 그리고 당신은 그것을 30 만 배 더 빨리 만든다 과학을 어떻게 할 것인가? 당신은 상상할 수 있습니다, 아, 나는 커피를 만드러 갈거야 1 억 개의 분자를 가려 내고 내가 돌아 왔을 때, 나는 10,000을 볼 것이다 가장 흥미 롭습니다

그리고 Brendan Meade와 같은 일이 일어났습니다 방문 하버드 대 교수진 캠브리지에서 1 년 동안 우리 그룹을 방문했습니다 지진 과오 시뮬레이션에 많은 노력을 기울였습니다 그는 직장에서 그는 단지 그가 우리를 방문하기 전에, 그가 지진 결함 시뮬레이션 내부 루프를 종류로 대체 세계에서 가장 가벼운 신경망 알다시피, 10 개의 뉴런으로 이루어진 4 개의 층이 있습니다

그리고 갑자기 그 일은 10,000에서 100,000 사이였습니다 배 빠른 오, 와우 제프 딘 : 그리고 그는 정확성의 차이를 말할 수 없었습니다 MARK MANDEL : 와우

제프 딘 : 제 생각에 그건보기에 좋은 렌즈라고 생각합니다 과학적 컴퓨팅을하고 있습니까? 또는 어떤 종류의 시뮬레이션? 그런 다음 신경망을 훈련시켜 그 근사치를 계산할 수 있습니까? 당신이 그것을 주면 정확할 것 같은데 충분한 훈련 데이터? MARK MANDEL : 이제 저는 생각합니다 – 멜라니 워릭 : 아이디어를 줘 MARK MANDEL : 글쎄, 나는 내 게임으로 일한다 MELANIE WARRICK : 알아, 게임

MARK MANDEL : 그래서, 이제 나는 마치, 당신이 그런 종류의 성과를 얻을 수 있다면 그 수준의 시뮬레이션을 위해서는 정말 흥미로운 일을 할 수 있습니다 네, 그렇습니다 멜라니 워릭 : 그리고 나는 네가 이것에 대해 말한 것을 보았다고 생각한다 신경망을 사용하여 도움을 받고 있다고 시스템의 실제 성능 향상과 함께 그들 자신 제프 딘 : 일반 컴퓨터에는 큰 기회가 있습니다

시스템 운영 체제의 중심에 무엇이 있는지 생각하면 또는 컴파일러 또는 저장 시스템 또는 다른 컴퓨터 시스템, 그들은 일반적으로 종류가 가득하다 손으로 쓴 경험적 방법론 알다시피, 어떤 프로세스가 운영 체제 사용할 수있는 준비된 프로세스 중에서 다음 일정을 예약 하시겠습니까? 또는 컴파일러의 경우, 알다시피, 이 루프 그물 순서 또는이 루프 주문 코드를 방출? 아니면 가변적인가? 레지스터에 모두 들어 맞지 않을 때 메모리를 쏟아 붓는가? 그리고 많은 경우에, 나는 이것이 실제로 있다고 믿습니다 학습 문제 그래서 사람들이 손으로 쓰는 경향이있는 발견 적 방법 일반적인 경우에 잘 작동해야합니다

그리고 그들은 그런 식으로 정말로 발전 될 수 없습니다 시스템이 사용되는 방식에 완전히 적응할 수 있습니다 Bigtable 스토리지 시스템에서 예를 들자면, 근본적으로 핵심 가치 저장소가 있습니다 그리고 클라이언트 요청은 Bigtable 서버로 들어옵니다 특정 데이터를 요청할 수 있습니다

다른 테이블에서 읽습니다 그리고 그렇게되면 Bigtable 서버 그것을 명명 된 메모리 캐시에 넣기로 결정하고, 그래서 그 데이터가 다시 필요하다면, 알다시피, 당신은 그것을 캐시에 가지고 있습니다 디스크에 가서 가져올 필요가 없습니다 그리고 보시면 많은 정보가 있습니다 결정을 내릴 때 사용할 수 있습니다

디스크의 데이터 우리는 예를 들어 내부 사용자 그룹을 알고 있습니다 그 프로세스를 실행중인 작업의 데이터를 요청했습니다 우리는 아마도 이것을 요구 한 직무를 알고 있습니다 그리고 당신은 휴리스틱을 쓰지 않을 것입니다

그래서 순차적 인 MapReduce 스타일의 처리가 많습니다 데이터를 한 번 읽으려는 작업을 처리하고, 절대로 1 시간 후까지 다시 사용하십시오 유사한 MapReduce가 시작됩니다 하지만 실제로 캐시에 삽입하고 싶지는 않습니다 재사용을 즉시 처리하지 않기 때문입니다

하지만 당신은 결코 휴리스틱을 쓰지 않을 것입니다 Bigtable 서버 중간에 즉, 작업 이름이 MapReduce 대시로 시작하는 경우, 그런 다음 캐시에 삽입하지 마십시오 그러나 학습 추론이 할 수있는 것을 살펴 본다면, 꽤 빨리 패턴을 배울 것입니다 MapReduce 대시로 시작하는 것처럼 보이는 이러한 작업 캐시에 삽입 한 데이터를 재사용하는 것처럼 보이지 않습니다 그래서 저는 그것을 삽입하지 않을 것입니다

그리고 수천 명의 사람들에게 거대한 잠재력이 있다고 생각합니다 컴퓨터 시스템에서 수천, 수천의 발견 적 방법론 실제로 대부분 배울 수 있고 그들이 실제로 어떻게 행동하는지 적응할 수 있습니다 사용되고있다 MELANIE WARRICK : 너무 기쁘고 흥미 롭습니다 이것이 개선 될 수있는 방법에 대해 생각해보십시오

너에게 묻고 싶은 것들이 너무 많아 우리는 확실히 제한 될 것입니다 그래서 나는 공간을 확보하고 싶다 네가 우리가 이것을 발표 할 때 남아프리카에있을 것입니다 그리고 구체적으로 말하면, 당신은 깊은 학습 케이프 타운 밖에서 일어나는 인다 바

그럼 네가 어떻게 지내는지 조금 말해 줄 수 있니? 이것, 회의 자체에 관여, 그리고 당신은 무엇에 대해 말할 것입니까? 물론이지 그래서 나는 도전적인 문제를 푸는 것에 대해 이야기 할 것입니다 깊은 학습이나 뭔가의 세계에서 좋아요 제프 딘 : 사실, 그것이 프레임 된 방식입니다

국립 공학 아카데미 주위에있다 2008 년 엔지니어링에 대한 중요한 문제 목록 21 세기에 일할 큰 규모의 공동체 그리고 그것은 14 가지 영역의 목록입니다 의료 정보학 향상, 더 나은 약을 개발하고, 태양 에너지 생산을 향상시킵니다 그리고 만약 당신이 그들을 보았다면, 저는 실제로 기계 학습이 태클에 유용 할 것이라고 생각한다 그 다른 모든 것들의 크고 작은 조각

그래, 맞아 제프 딘 : 그리고 그 말은 틀에 박혔습니다 조금은 어이, 우리가 가지고있는 흥미로운 일이 여기있다 완료는 해결 방법의 일부입니다 이러한 웅장한 도전 과제 중 일부가 있습니다

좋았어 제프 딘 : 그리고 그 깊은 학습 Indaba, 내 생각 엔, 정말 흥미 진진한 사건입니다 그것은 – 약 400 명 또는 500 명 정도라고 생각합니다 대부분 아프리카 대륙에서부터 다른 나라에서 그리고 실제로 급성장하고 흥미 진진한 커뮤니티가 있습니다

기계 사용에 흥분되는 아프리카에서 학습 및 기계 학습 연구, 아프리카 국가의 문제를 해결하기 위해 기계 학습을 사용 전 세계에 걸쳐 그리고 저는 이것이 정말로 흥미 롭다고 생각합니다 아프리카의 연구 공동체의 팽창을보기 위해, 다른 나라들도 마찬가지입니다 그래서 그 일에 참여하게되어 기쁩니다 나는 실제로 우간다와 소말리아에서 어렸을 때 살았습니다 오, 와우

마크 AND델 : 멋지다 그래서 방금 들었을 때, 멜라니 워릭 : 그것은 당신에게 중요합니다 이 그룹에 참여하고보고 성장할 수 있어야합니다 마크 멘델 : 환상적입니다 멜라니 워릭 : 나는 또한 뇌가 가나로 확장했다

그리고 거기에 복장이 있습니다 무스타파 시세 (Moustapha Cisse)가 주도했으며, 우리는 어느 시점에서, 잘하면, 팟 캐스트에 올 것입니다 내가 그를 만났기 때문에 그는 훌륭합니다 MARK MANDEL : 훌륭합니다 멜라니 워릭 : 알아

네 네 멜라니 워릭 : 그는 훌륭합니다 그리고 우리가 말하는 것처럼 그들이 바닥에서 떨어져 있고 달리는 것을 압니다 다른 단체들도 있니? 당신이 성장하기를 기대하고 있거나 다른 사무실에 있습니다

당신이 이야기 할 수있는 회전을 찾고 있습니까? 아니면 우리가 지금 말할 수없는 것입니까? 제프 딘 : 우리는 가나 사무소에 대해 매우 흥분하고 있습니다 우리는 사무실 공간을 혁신하기위한 마지막 골목에 서 있습니다 우린 사무실에 사람들을 고용 했어 내가 생각하기에는 큰 도움이 될 것 같아 우리의 글로벌 연구 기관에 그들은 두 기계 모두에서 환상적인 작업을 수행 할 것입니다

학습 연구, 일종의보고 가나 특유의 흥미로운 적용 문제들 아프리카의 나머지 지역 그리고 나는 그것이 좋을 것이라고 생각합니다 나는 무스타파를 좋아한다 그는 훌륭한 지도자이며 훌륭한 사람입니다 우리 사무실에 그를 데려 간다

멜라니 워릭 : 그는 멋진 사람입니다 내가 너에게 묻고 싶었던 다른 것, 또는 다른 몇 가지 그래서 Deep Learning Indaba를 기대합니다 누가 관심을 가지고 있는지, 거기에 쇼 노트에 제공 할 리소스입니다 우리가 만져보고 싶은 마지막 몇 가지 너를 풀어주기 전에

최고의 조언 중 하나 인 것을 알고 싶다 당신이 당신의 경력에서받은 것 제프 딘 : 특정 조언이 필요한지 모르겠습니다 나는 받았지만, 내가 만든 관찰 내 경력을 통해 정말 좋은 방법입니다 흥미로운 것들은 사물을 알고있는 사람들과 파트너 관계를 맺는 것입니다

너는 그렇지 않다 그리고 저는 종종 3 개 프로젝트 네 사람이있는 네 사람 다양한 종류의 전문성 그리고 집단적으로 너는 함께 온다 당신 누구도 흥미로운 문제를 해결할 수는 없어요 개별적으로 해결할 수 있지만, 너는 완전 기술을 가지고 있기 때문에 또는 그들을 개발할 수 있습니다 정말 중요한 이유가 계속해서 새로운 것을 배우는 것이 좋은 방법인가요? 학교를 졸업 한 후에도

있잖아, 내가 대학이나 대학원에있을 때 생각해 학교 나 뭐든지간에, 당신은 분명히 일을 배우고 있습니다 그러나 계속하는 것이 중요합니다 사물을 배우고 새로운 아이디어를 얻으려고 그리고 일종의 뇌 자극 그리고 이것을하는 것이 정말 좋은 방법입니다

그리고 나서 그 프로젝트에서 벗어나서 다른 프로젝트에, 그리고 다른 사람들의 전문 기술은 당신에게 빛나는 문질러움을 가지고 있습니다 이제 적어도 문제를 볼 수 있습니다 전문 분야의 렌즈를 통해 그들은 이런 말을하고 있습니다 오, 예 나는 묻는 질문이나 올바른 접근법을 안다

그게 아니라해도 당신의 정식 배경 좋아요 그래, 맞아 명확히 당신은 무어의 법칙과 연구의 양에 대해 언급했습니다

그것은 특히 나오고 있습니다 당신은 어떻게 자원을 유지합니까? 연구와 그 모든 것? 네 내 말은, 다시, 나는 이것이 뭔가라고 생각한다 사물을 알고있는 사람들과 자신을 둘러싼 곳 네가하지 않으면 네가 정말 좋은 길이야 당신이 상호 작용하는 좋은 사람들의 네트워크, 그들은 부분적으로 당신의 눈과 귀가 될 수 있습니다

그들의 종류의 영역에서 흥미로운 것을주의 깊게 살펴라 오, 그래, 그거 흥미 롭다 누군가 오늘이 사실을 말해 줬어 그리고 당신은 일종의 연결을 시작할 수 있습니다 다른 영역들 사이의 점들과 잠재 성을 보아라

여기에서 개발 된 기법으로, 그것이 어떻게 여기에서 사용될 수 있는지, 또는 그것이 어떻게 잘 결합 될 수 있는지 다른 기술과 함께 그리고 실제로 서로를 구축합니다 그래서 나는 모든 것을 따라 잡는 것이 매우 어렵다고 생각합니다 따라서 집단적으로 정렬해야합니다 당신이 정말로 따라 다니는 것들을 발견하고, 다른 것들에 대한 간단한 정보를 얻으십시오 제가 관찰 한 한 가지는 많은 사람들이 정말로, 정말 깊이 연구 논문을 읽으십시오

가끔은 중요하다고 생각합니다 그러나 일반적인 학습을위한 잘못된 접근 방법입니다 나는 네가 훨씬 더 잘 봉사 할거라 생각한다 100 개의 초록 100 개를 읽을 시간이 필요하다 다른 서류와 이해의 종류 그들 각각이 가지고있는 가장 높은 수준의 개념

너는 항상 더 자세히 읽을 수 있기 때문에 당신이 그것에 대해 더 알아야 할 필요가 있다면 하지만 그 100 가지 정보를 가질 수있는 것은 좋아, 오, 그래, 그건 기술이야 그게 문제 야 우리는 그런 종류의 일을 할 수 있습니다 그 점을 실제로 연결하는 방법입니다

필드를 가로 질러 연결하기 또는 다른 문제에 걸쳐 좋아요 멜라니 워릭 (MELANIE WARRICK) : 특정 공공 연구 당신은 아주 최근에 들어 봤어요 당신 마음에오고, 당신은 마치, 나에게 흥분되는가요? 또는– 제프 딘 : 글쎄, 나는 생각한다 자동으로 컴퓨터를 사용할 수있는 방법 실험을하고, 그 결과를 측정하고, 그리고 연속적으로 흡수되는 일종의 첫 번째 실험 세트의 결과, 새로운 실험을 생성 할 수 있습니다

그래서 모든 신경 구조 검색 작업 우리 그룹이 해왔 던 AutoML 작업, 보강 학습의 많은 게임을 풀 때 약속을 지키는 기반 작업 Go 또는 OpenAI가 Dota에서 작동합니다 나는이 모든 것들이 일종의 포인트라고 생각한다 컴퓨터가있는 일반적인 방향으로 다른 해결 방법을 자동으로 탐색 할 수 있습니다 문제가 중요해질 것입니다 컴퓨터가 50,000 회의 실험을 실행할 수 있기 때문에 인간이 50을 돌리는 동안, 결과를보고, 그 다음에 다음 50 개가 무엇인지 알아 내겠습니까? 네, 그렇습니다

멜라니 워릭 : 좋아 그리고 내가 원하는 다른 질문 네가 한 모든 인터뷰에서 너에게 물어볼거야 사람들이 너에게 어떤 질문을하길 바랄까? 흥미로운 점 하나 알려 드리겠습니다 어떤 사람들은 모른다 그래서 저는 실제로 아이처럼 많이 움직였습니다

나는 12 년 만에 11 개 학교에 다녔다 그리고 저는 그것이 – 멜라니 워릭 : 그건 학교 다 제프 딘 : 학교가 많습니다 오, 새해, 새 학교처럼 멜라니 워릭 : 너는 많은 친구들을 사귀는 법을 배웠다

확실해 MARK MANDEL : 네 네 나는 그것이 나를 위해 매우 도움이되었다고 생각한다 내가 다른 곳에서 살게했기 때문에 환경의 종류에 관계없이 하와이, 보스톤, 우간다, 보스톤, 아칸소, 하와이, 미네소타, 소말리아, 애틀란타, 제네바, 시애틀, 베이 지역

과– 멜라니 워릭 : 당신은 전혀 마음을 열지 않아야합니다 제 생각에 도움이된다고 생각합니다 그 장소들 중 어느 곳에서나 정말 좋은면을 발견 할 수 있습니다 그리고 그것이 좋은 전망이라고 생각합니다 마크 멘델 : 환상적입니다

마무리하기 전에 모든 리소스를 사람들을 위해 청취자에게 추천하고 싶다 깊은 학습, TPUs, 구글 두뇌, 그냥 ML에 들어가고 싶다 연구? 너도 알다시피 나는이 질문을 많이 받았다 많은 것은 전문 지식의 종류에 달려 있습니다 누군가 이미있다

그래서 나는 하나의 대답이 없다고 생각합니다 하지만 나는 권하고있다 좋은 블로그가 많이있다 저 밖에 크리스 Olah의 블로그와 distill

pub 저널 그가 Shan Carter와 함께 시작한 것은 정말로 특정 수준의 전문 지식을 가진 사람들을위한 좋은 박람회 나는 기계 학습 크래시 코스와 같은 것이 있다고 생각한다 Google이 내놓은 Udacity와 Coursera에는 많은 코스가 있습니다 전문 지식의 수준에 따라 다릅니다 깊은 학습 교과서 Ian Goodfellow, Yoshua Bengio, 아론 쿠르 빌 (Aaron Courville)은 아주 좋은 사람입니다

목표로 삼는 자료가 많이 있습니다 덜 진보 된 수학을 가진 사람들에게 고등학생 및 중학생을위한 기술, 조차 거기에는 풍부한 정보가 있습니다 공동체가 생산하고있는 것이 정말 좋습니다 너무 많은 입문 자료와 고급 자료 모두를위한

마크 AND델 : 훌륭합니다 멜라니 워릭 : 좋아 글쎄, 우리는 당신이 말하고 있다는 사실을 다뤘다 딥 러브 인더 바에서 우리가 너를 풀어주기 전에 말하고 싶은게 있니? 아니, 정말 흥분 돼

나를 보내 주셔서 감사 드리며 대화에 감사드립니다 멜라니 워릭 : 와줘서 고마워 MARK MANDEL : 네, 고마워요 멜라니 워릭 : 감사합니다 물론이지

MELANIE WARRICK : 다시 고마워, 제프 그냥 모든 일에 참여하는 것이 정말 좋았습니다 그리고 내가 그 점에서 정말로 감사하는 많은 것들 중 하나 그가 아직도 코드하는 것을 듣고 있었다 MARK MANDEL : 네 그는 ~ 같이, 오늘은 내 하루 야

MARK MANDEL : 월요일에 내가 코드 해 MELANIE WARRICK : 그것이 바로 내가 코딩 할 때입니다 당신이되는 것처럼 그렇게하기가 어렵습니다 더 많은 선배, 당신의 삶에서 그런 유형의 공간을 만들기 어쨌든, 고마워

MARK MANDEL : 네 알았어 주의 질문 마크 맹델 : 그래서 우리 멋진 친구, 게이 게이 와이즈 : Whee

헤이 게이브, 너를위한 멋진 질문이있어 왜냐하면 우리는 당신이 코어에서 물건을 다룬다는 것을 알고 있기 때문입니다 GABE WEISS : 준비 됐어 MARK MANDEL : IoT Core가 있다면, IoT Core에서 데이터를 얻는 방법 웹 프런트 엔드에 실시간으로 표시 하시겠습니까? 나는 당신이 이런 식으로 일했다고 믿습니다

GABE WEISS : 나는 최근에있다 IoT에서 일하는 사람은 누구나 알고 있습니다 이것을하기위한 다양한 방법이 있습니다 다른 종류의 장치가 있습니다 다른 프로토콜이 있습니다

다른 모든 것이 있습니다 그래서 해변에 몇 그루의 모래가 있습니까? 이것이 얼마나 많은 방법으로 이것을 할 수 있는지입니다 우리가 그것을 황금의 길의 일종으로 한 방법 Cloud at 2018 년에 우리는 전체 end-to-end 앱을 만들었습니다 무대 위에 우리 다섯이 있습니다 그래서 우리는 장치에서 나왔습니다

우리는 일부 센서와 함께 라즈베리 파이를 사용했습니다 우리가 심장 박동을 측정 했어 그리고 그것은 MQTT와 통신 할 것이고, IoT Core가 사용하는 프로토콜입니다 받는 방법 따라서 장치에서 원격 측정 데이터를 전송할 수 있습니다

IoT 코어로 IoT Core에서 브리지됩니다 모든 원격 측정 데이터가됩니다 이벤트 스트림 관리자 인 Cloud Pub / Sub의 이벤트입니다 Cloud Pub / Sub에서 Cloud 기능을 트리거 할 수 있습니다

Pub / Sub에서 원격 측정 데이터를 가져온 것입니다 데이터웨어 하우스에 저장합니다 클라우드 파이어 스토어 (Cloud Firestore)였다 우리는 NoSQL 데이터베이스이기 때문에 Firestore를 선택했습니다 그것은 매우 낮은 대기 시간이고 특별한 소스가 있습니다

푸시 메커니즘이있어 프런트 엔드 앱에서 데이터베이스에서 데이터가 변경되면 콜백에 등록하십시오 따라서 실시간 응용 프로그램의 경우 이것은 엄청납니다 그래서 우리의 프런트 엔드는 Angular 앱이었습니다 이 콜백에 가입 한 우리가 작성한 Firestore에서 가져 와서 마음을 끕니다 비율 그래프

엔드 투 엔드 (end-to-end)로, IoT Core까지 장치였습니다 클라우드 게시 / 하위의 브리징 펍 / 서브는 클라우드 기능을 가지고 있었고, 그것을 클라우드 파이어 스토어로 밀어 넣습니다 Firestore가 콜백을 통해 각도 앱으로 실행되었습니다 좋았어 GABE WEISS : 예

MARK MANDEL : 와우 GABE WEISS : 꽤 멋졌습니다 그것도 모두 효과가있었습니다 MARK MANDEL : 그 말을 세 번 빨리하십시오 GABE WEISS : 나는 할 수 없다는 것을 안다

나는 그것을 한 번했다 그 정도면 충분했다 그렇지? MARK MANDEL : 그게 효과가 있습니다 그게 정말 좋았어 마크 맹델 (Mark MANDEL) : 사람들 – 공개 샘플이나 사람들이 실제로 할 수있는 것입니다

가서보고있어? GABE WEISS : 예 그래서 그것을 찾는 가장 쉬운 방법은 가고 있습니다 YouTube에서 "건물 IoT Google 클라우드의 애플리케이션 " 그곳에 유일한 사람이야 컨퍼런스 비디오를보실 수 있습니다

그리고 설명의 링크에서 모든 코드가 포함 된 GitHub에 대한 링크입니다 MARK MANDEL : 굉장해 멜라니 워릭 : 잘 됐네 고마워, 게이 와 주셔서 감사합니다

우리는 그주의 질문을합니다 게이브 와이즈 : 나를 보내 주셔서 고마워요 알았어, 마크 너 어디 갈거야? MARK MANDEL : 내가 뭘하고 있니? 무슨 일이야? 뭐하고 있니? 당신이 알고? MARK MANDEL : 그럼, 나올 때, 나는 도쿄에있을거야 멜라니 워릭 : 네

마크 AND델 : 나는 도쿄 다음을 준비하고있다 그래서 꽤 흥분했습니다 Agones에 대해 이야기하고 있는데, 게임에 대해 이야기하고 있습니다 사람과 물건 그래서 당신이 마을에 있다면, 인사하러와

너 무슨 일이야? 멜레 니 워릭 : 그리고 나는 스텔 렌 보쉬에있을거야 나는 아마 내가이 시점에서 많은 것을 말했을 것이라고 생각한다 네, 그렇습니다 MELANIE WARRICK :하지만 몇 가지 인터뷰를 할 예정입니다 그리고 너와 나는 둘 다 Strange Loop에있게 될거야

월말 MARK MANDEL : 그래, 정말 좋을거야 게이브, 다음 달에 특별한 곳으로가는거야? GABE WEISS : 나야 나는 유럽 여행을하고있다 나는 런던, 파리, 바르셀로나를하고있다

일련의 회의를 위해 오, 그게 어렵다고 들었어 GABE WEISS : 예 MARK MANDEL : 어느 회의에 갈 건데? GABE WEISS : 그래서 런던은 Cloud Next입니다 네, 그렇습니다

GABE WEISS : 우리의 종류의 다음 반복입니다 우리 시리즈의 그리고 파리는 팀 메이트를 방문하고 있습니다 나는 이상한 5 일의 날이 있기 때문에 날고 싶지 않아 유럽으로왔다 갔다합니다 그리고 바르셀로나는 큰 IoT 회의 인 IoT Solutions World 의회, 일종의 큰 유럽의 IoT 회의입니다

좋았어 마크 멘델 : 환상적입니다 GABE WEISS : 예 멜라니 워릭 : 음, 좋은 여행을해라 GABE WEISS : 고마워

마크, 나는 이번 주에 그것이 우리를위한 것이라고 생각한다 그래, 멜라니와 게이브, 포드 캐스트에 대한 또 다른 한 주 동안 우리와 함께 해 주셔서 감사합니다 고마워요 GABE WEISS : 고마워 MARK MANDEL : 그리고 모두 들어 주셔서 감사합니다

우리는 다음주에 모두 만날거야 [음악 재생]

TV Novel : Eunhui | TV소설: 은희 EP.133 [SUB : ENG,CHN / 2014.01.08]

나이키인가? 장 지앙, 너 무슨 생각해? 너는 침착하게 생각한다 이제 우리는이 삶의 방식만을 가지고 있습니다

그건 효과가 없을거야 상관없이, 그런 다음 기다려주세요 대통령의 손에 죽을 수도있다 공장은 어쩌고? 이런 추운 날에 집을 나서게되면 가족은? 니지가 우리 손에 있다면 지구의 금괴는 무엇입니까? 당신은 바의 사장이 Enji? 무슨 뜻이야? Ningji를 납치하고 싶습니까? 수 없습니다 차의 대통령이 그것을 할 수없는 경우에 나는 혼자 할 수있어 장쩌민 우리가 이미 같은 배에 있다고 말하라

차의 사장이야 이것은 문제의 끝이다 나도 그걸 없애 버렸어 아시나요? 좋습니다 하지만 나 한테 약속해야 해

다치게 할 수 없다 엔지를 포함한 모든 사람 물론 말할 필요가 없습니다 금괴 만 검색하면됩니다 나는 엔지가 필요 없어 스타 무역 그런 다음 기다려주세요

대통령의 손에 죽을 수도있다 공장은 어쩌고? 이런 추운 날에 집을 나서게되면 가족은? 사진이 깨졌습니까? 이것은 아무것도 아니지만 적어도 전화를 걸려면 사전에 전화하십시오 두부 공장이 근처에 없습니다 결국 내가 너에게 다시 묻겠다 금괴를 돌려줘

이미 내가하지 못했다고 말했어 그것을 고집하지 마십시오 후회할 수있다 너 나를 위협하고 있니? 내가 뭘 할 수 있니? 제 경우에 돌려 줄 수 있어요 나는 내가 처음으로 돌아 갔다는 것을 안다

골드 바에 맞을지라도 이것을 너에게 돌려 보내라 이게 뭐야? 그것을 열고 그것을보십시오 새로운 감정을 가진 것으로 추정 됨 이것은 전쟁의 날이어야한다 차 회장이 지나간 옷 맞습니다 우리 엄마의 손에 왜 내 어머니가 편지에이 편지를 집어 넣었 니? 왜 내 어머니가 편지에이 편지를 집어 넣었 니? 어떻게 알 수 있습니까? 네가 집에 가져 가서 천천히 생각하기를 바란다

우리는 그것을 필요로하지 않기 때문에 그것을 시도하는 것이 좋습니다 그것은 잊혀진 과거를 많이 상기시켜야합니다 이것은 전쟁의 날이어야한다 차 회장이 지나간 옷 그것을 시도하는 것이 좋습니다 그것은 잊혀진 과거를 많이 상기시켜야합니다

형과 같이가 너 먼저 해 나는 차 회장과 이야기하고 다시 들어갔다 뭐라구? 나는 그것에 대해 이야기하는 것이 매우 바쁩니다 얼굴이 너무 가난 하네

너 내가 왜 이런지 모르겠어? 내 금괴는 금괴를 어떻게합니까? 대통령 삼촌이 아니야 삼촌? 나에게 삼촌을 부르지 마라 그래서, 아직도 삼촌이라고 불리는가? 제발, 제발 이제 구속에 이르십시오 대통령과 엔지와 이야기하기에는 아직 늦지 않았습니다

그리고 쳉 자이의 할머니는 용서를 간청합니다 뭐라구? 삼촌, 제발 아니, 도살이되는 것에 대해 생각해야합니다 너 무슨 소리 야? 용서를 구걸 너는 아니지만 너야 내 물건을 훔치는 것은 아직도 횡설수설이다

삼촌 내 금괴 가져 가라 용서하는 것 이 드레스 전에 통과하지 않았 니? 호텔 대통령께서는 어떻게하실 수 있습니까? 전쟁의 날 Hengwan의 몸을 커버하는 의복은 이것이다 그리고 내가 너에게주고 싶은 편지 또한 내부 그런 다음 호텔의 사장은 전에 뭐라도 했니? 오른쪽 언니가 열리는 동안, 그녀는 끝날 것입니다 그런데 왜 그 편지를이 드레스에 넣었 니? 호텔 회장은 계획을 세우지 않을 것입니다 이 드레스와 편지를 돌려 보내십시오

나에게 돌려줘? 왜? 그녀에게 아무 한테도 말하지 않았 니? 당신을 용서할 수 있습니까? 그날 교통 사고가 발생했습니다 그날 밤 교통 사고를 당하지 않았다면 너를 용서해 그것을 말하지 마라 아무도 내 동생이 나를 용서할 것이라고 보장 할 수 없다 남편 이 썩은 옷은 다 끝났어

아이들? 그들은 먹고 싶지 않다 먼저 먹자 빅 브라더 공장이 최근에 제대로 작동하지 않았습니까? 남편은 고객이 거래를 중단했다고 말했습니다 공장 대출도 연기 됨 왜 나에 대해 걱정하니? 공장이 실제로 닫히면 어떻게 될까? 당신은 정말로 인간입니다 횡설수설이란 무엇입니까? 이런 종류의 농담은 열리지 않습니다

또한 그런 작은 문제가되고있다 쓰러 뜨리면 차의 대통령이 아닙니다 고객 선불 결제 지연으로 인해 비즈니스가 중단되지 않습니다 네가 그 차의 사장이라고 했잖아 고객의 문제를 즉시 해결할 수 있습니다

걱정마 먹자 그냥 날 핥아 나 밖에 갈래? 눈 앞에서 사라지는거야? 나 한테 가난하다고 해? 내 동생으로 보자 당신이 그것을 견뎌야하는지 여전히 알 필요가 있습니까? 덜 속임 나 때문이 아니라 할머니 때문에

나는 나를 비웃을 것이다 우리 가족 세 명을 보아라 나는 소름 끼치게 느낀다 아무 말도 하지마 당신이 지옥에 살고있는 것처럼 느껴지세요

그러나 나는 네가 지옥에 사는 것을 좋아한다는 것을 알았다 내 동생이 우리를 버리는 것은 괜찮습니다 분리되어있는 한, 낯선 사람들과 관련이 없습니다 그렇다면 어떻게해야합니까? 그들은 우리 부모님입니다 어떻게해야합니까? 나는 너무 어리다

나는 언니이다 언니의 옆에서 동생을 데려 갔지만 내가 나이키보다 낫다는 자신감이있다 나는 너에게 더 적합하다 결과는 이렇게되지 않습니다 살인자의 딸은 그녀가 아니야

하지만 나는 나야 이게 이거 야? 잉 저우 잉 잉 잉 주 그녀에게 아무 한테도 말하지 않았 니? 당신을 용서할 수 있습니까? 그날 교통 사고가 발생했습니다 이것은 모두 아빠의 잘못입니다 모든 비난 아빠 잉 저우 무슨 일 이니? 내가 언제 생각할 것 같니? 아빠는 뭐하니? 우리 형과 나는 이미 그것을 알고 있었다 잉 저우 너 무슨 소리 야? 왜 그걸합니까? 나는 차라리 죽을 것이다

나는 살아있는 살인자의 딸이되고 싶지 않다 잉 저우 이것은 모두 아빠를 비난합니다 내 삶, 내 결혼 아빠가 망 쳤어 그것을 어떻게 할 수 있습니까? 어떻게 살아야합니까? 진주 없음 아빠는 절대로 너처럼 너를 우리처럼 살게하지 않을거야 아빠를 믿어 라

상관없이 죄송합니다, 잉 주 아빠, 미안해 잉 저우 엄마, 죄송합니다 엄마, 죄송합니다 우리는 진주가 잘못되었습니다 죄송합니다

죄송합니다 미안해 잉 저우 어떻게 그렇게 많이 했니? 엄마가 가져온 작은 접시 거의 준비중 먹기에는 너무 많이 먹는다 지금 그의 이름을 부르는거야? 나는 나중에 형에게 전화 할 계획이다 맞아, Cui Zhengtai

먹어라 그러나 오늘 큰 날은 무엇입니까? 갑자기 집에서 어떻게 먹나요? 호텔은 잠시 쉬고 싶어합니다 삼촌의 사업 때문에 내 마음에 나쁘니? 나는 생각한다 나는 형이 열심히 일하기를 원하지 않는다 잠시 쉬면 돌아올거야

더 잘 말해줘 – 사실입니까? – 그렇습니다 이것을 먹는다 내 동생은 먹지 않니? 고마워요, 대통령 절대로 깨우지 않으면 나는 그것이 더 어려울 것이라고 생각한다

당신은 짧은 시간에 당신을 볼 수 없을지도 모릅니다 나는 곧 돌아올거야 너는 돌봐야 해 대통령 형제 왜 그렇게 차가워? 죄송합니다 왜? 이번에는 가족의 사업 때문에 내 동생이 그렇게 열심히하도록 내버려 둬라

그 말 하지마 나는 외부인이 아니라고 말했었다 맞아 휴식 시간에 무엇을하나요? 나는 어머니의 재가 처음으로 배치되는 곳으로 가고 싶다 북한 한강입니다

나도 가자 다음 번에 추위에 가자 형제 님 너가 가서 다시 들어 오는 것을 안다 Ok, 나는 떠난다 이게 뭐야? 나에게 짐을 꾸려 줄까? 너무 추워

형제와 자매는 물을 준다 전갈 너는 손이나 발이 없다 아침 일찍 찾으러 온 이유는 무엇입니까? 이런 식으로 우리는 가사를 나눌 수 없습니다 나는 접시를 씻을거야 역청탄을 태우도록합시다

동생은 요리 중입니다 나는 내가 요리하고 있다는 것을 안다 반찬은 헤이즐넛으로 만든다 재미 있어요 나는 더 오래된 세대를 더 나누어야한다

나는 더 오래된 세대를 더 나누어야한다 누가 누가 말했는지 그리고 턴 청소 후 아빠 방 아침 조카가 내게왔다 왜 내 방을 청소해야합니까? 내 아버지가 아니야 이 태도가 지금인가? 나는 그것을 아버지에게 직접 전달할 것을 안다 그럼 빅 브라더도 치료할거야

너도 알 잖아 정말 이걸 원해? 아침 일찍 싸움을 시작한 이유는 무엇입니까? 접시를 씻으 시나요? 나는 그것을 위해 할 것이다 오빠를 위해서하는 것도 괜찮습니다 그냥 해 여동생 제가 먼저하는 일을 보도록하겠습니다

아침 일찍 남자가 부엌에 어떻게 들어올 수 있습니까? 정말로 아름다움 정말로 먼저 접시를 씻으십시오 이모, 너 얼굴이 어때? 특히 오늘 어젯밤에 나는 악몽을 꾼다 나는 잠시 잠을 자지 않았다 아무것도하지 않으려 고 꿈꾸셨어요? 기억이 안나네 그냥 나쁜 꿈 순덕에 대한 꿈이 있다면 괜찮을 것입니다

나는 그것을 살 것이다 나는 몽상가가 될 것이다 누가 그것을 할 수 있습니까, 나는 그것을 살 것입니다 나는 걱정할 수 없다 Enji에게 전화하십시오

그렇지 않으면 서울로 가십시오 나중에 전화를 걸어 봅시다 아침 일찍 어디 가세요? 잉 저우 나중에 엄마 한테 얘기하지 않니? 내 아버지에 대해 말하지 마 나는 상관 없다 내가 네 아빠를보고 행복하다고 생각하니? 그 밖의 무엇을 할 수 있습니까? 그는 너의 아버지 야

다른 사람들을 말하지 마라, 우리는 이것을 할 수 없다 엄마는 아빠를 이해합니까? 할머니는 도살인가요? 잉 저우 나는 견딜 수있다 그러나 내 동생을 가난한 동정으로 참을 수 없어 엄마도 알고 있어요 내 동생이 내게 무슨 뜻이야? 나는 너를 볼 얼굴이 없어

그를 만날 때 나는 죽을 것이다 아빠의 사업 얘기 하지마 나는 아버지의 사업을 잊어 버렸다 이렇게 살 수 있어요 나는 나 자신을 마법 같은 느낌

왜 그걸합니까? 나는 차라리 죽을 것이다 나는 Enji의 여동생처럼되고 싶지 않다 살인자의 딸이 살아있을 때 매우 바쁜가요? 바쁘지 않음 내가 너 말 잘 들어 너 나 떠날거야 우리 할머니에게 고백하자

나는 그렇게 할 수있다 그러나 우리는 우리 진주를 학살했다 영국 진주를 이해할 수 있습니까? 나는 어떻게 생각하니,하지만 잉 주 (Ying Zhu) 미안해 학살에 대해 미안하다 당신이 할 수있는 한 비록 내 인생을 보내 게해도 나는 그것을 모두 저장하고 싶다

엄마 아니, 이제 알아 나는 네 엄마가 될 자격이 없다 미안, 너는 학살이야 학살에 대해 미안하다 엄마는 나에게 이럴 필요가 없다

정말로 용서 받기를 원하는 다른 사람이 있기 때문에 정말로 용서 받기를 원하는 다른 사람이 있기 때문에 쳉 자이 우리 할머니에게 나에게 말하고있는 것조차 그러니 나가주세요 대통령 나는 돈을 말하지 않았다 그냥 좀 더 기다려 뭐라구? 나는 너를 죽여야 해

내가 두려워 할 것이라고 생각하지 마라 남편 어머니에게 돈을 지불하러 가자 뭐라구? 나랑 같이 가라 자비를위한 무릎 꿇기 나는 너를 만날 얼굴이 없어 쳉 자이 (Cheng Zai)와 엄마 너 미쳤 니? 나는 여기서 살 수 없다

돈과 공장은 그것을 필요로하지 않는다 우리 가족 셋 여기에 남겨주세요 내가 원한다고해도 나는 이것을 할 수 없다 남편을 다시는 욕심 내지 마라 무슨 탐욕이야

공장 및 주택 나는 지금 싸워야 해 너 무슨 소리 야? 나는 그것이 그렇게되기를 기대하지 않았다 나는 잘하기 위해 열심히 노력하고있다 공장 및 주택 모두 모기지로 받아 들였습니다 남편 너 뭐 했니? 어떻게해야합니까? 지금 어떻게해야합니까? 그것을 말하지 마라

나는 책임질 것이다 너는 어떻게 지내니? 당신은 무엇을 책임지고 싶어합니까? 나는 너를 기다리는 것을 끝내지 않았다 이제 내 마음을 고쳐야 할 때입니다 나중에 다시 돌아갈 수 없다 계획대로 진행하지 않음 이제 그것은 차 회장과 같습니다

그것은 단지 문제가 아닙니다 부통령은 항상 나를 걱정했다 부통령은 어떻게 된거야? 나는 물건을 부드럽게 가고 싶다 부통령이 개입하도록 내버려 둘 수는 없습니다 차의 대통령도 알고있다

그 아이는 이미 눈이 빠르다 걱정마 부통령은 그를 묶었습니다 차의 회장이 전화 했어 그가 나올 거니? 나는 내 길을 가졌어

여동생 너 여기 왔어 너 지금 바쁘지 않다면 Hengwan의 묘지로 나와 함께 가자 갑자기 왜 거기에 갔니? 나는 지난 밤에 환왕을 꿈꿨다 나는 그를 조금 그리워한다 사실, 나는 지난 밤에 악몽을 꿨다

우리는 과거에있을 것입니다 도로에서 부통령에게 전화하십시오 Minghao의 사업은 무엇입니까? 무 나는 그에게 말할 것이있다 그가 바쁜지 나는 모른다 전화를 걸어 시도해보십시오

아니, 방법이 없다 기다려라 그냥 형제도 호텔에서 완전히 사임하지 않을 것입니다 안심하십시오 차 대통령이 끝날 때까지 기다리는 중이다

너와 함께 영원히 머물게 해줘 안녕, 안녕 명나라 하오는 나다 안녕 아줌마입니다 차 대통령과? 아니, 나는 바쁘지 않다

나는 곧바로 지나갈 것이다 엄마에게 문제가 있습니까? 차 대통령과 무덤에 가라고했다 자동차 대통령이 나 한테 말할 게 있다고 했어 내가 뭘 가질 수 있니? 가지마 나는 엄마 한테 전화를해서 그녀에게 가지 말라고 말해야 해

그 이모가 이상하게 느껴질거야 이모는 도울 수 없지만 나에게 간다 같이 가자 하지마 나는 삼촌을보고 싶지 않아

나는 혼자가는 것을 알고있다 남편 Xi Jiu는 당신이 당신을 그리워했다면, 당신을 보러 오라고 말했다 당신은 또한 매우 행복합니다 환완 걱정마 당신 덕분에 하늘에 Heng Shujie는 지금 훨씬 좋습니다

즉시 정상으로 돌아갑니다 걱정 마세요 미안, 나는 이모에 늦었다 Minghao 당신은 부통령에게 왔습니다 안녕하세요, 엔지가 나오니 사실입니까? 네, 오빠

이 시간에 매일 쇼핑하십시오 왜 나가지 않았어? 나는 곧 나올거야, 잠깐만 다시 말하기 부통령은 집에 가지 않을 것입니다 좋아, 이제 차의 대통령이 그를 막고있다 걱정마

항상 Hengwan 앞에 있고 싶었다 부통령과 대화하기 부통령도 나에게 옷을 줬어 그것은 Heng Wan이 나를 보내달라고 사 준 선물입니다 네가 할 말이 있으면 그냥 말해봐 나는 그것에 대해 생각했다

나는이 세월을 정말로 후회한다 나는 어떻게 이렇게 될 수 있니? 이 범죄를 어떻게 Hengwan에게 맡겼습니까? 늦었지 만 그러나 이제 저는 용서를 구합니다 그럼 항복하고 싶니? 그걸 사용할 수 있다면 물론해라 이제 금괴가 무엇인지 전혀 알지 못합니다 전혀 당신의 연기는 정말 놀랍습니다

너는 그런 눈물로 내가 속일 것이라고 생각하니? 너는 나를 믿지 않는다 나는 그저 유일한 친구 앞에서 만나고 싶다 용서를 구걸 친구, 재밌 네요 절대 포기하지 않을거야 당신이 지금오고 있다는 것을 압니다

또한 이모 때문에 그녀는 어떻게 먹이고 있니? 그 소녀는 차 회장의 딸이 아니야? 그녀가 어떻게 여기에 왔습니까? 갑자기 나를 찾고 있니? 아직도 말해줘야 해? 너무 추워서 우리는 말할 곳을 찾고 있습니다 딸이 있어야하는 아버지가있다 나는 그녀가 우리를 도울 것으로 기대하지 않았다 너는 무엇을하고 싶니? 너 무슨 뜻이야? 왜 할머니에게 곧장 간다고하지 않았 니? 도살장 형제라서? 아니요 그게 내 아빠에게서 피를 뽑기위한거야? 독선적이기 때문에 이것은 좋은 일입니다 나 또한 그것을 감사하게하십시오

이것이 의미합니까? 그 말 했니? 내 아버지를 위해서가 아니라면 너 사라질거야 뭐라구? 그러나 필요는 없습니다 네 말이 맞아, 너의 아버지 잘못이야 너 잘못이 아니야 그러나 삼촌을 탓할 자격이 있니? 이해하기 힘든 작업 삼촌이 가족을 위해 일할 때

그럼 너는 어때? 이 분야에서 뭐하고 있니? 너 나 아는거야? 처음봤을 때 솔직히 말해서, 나는 너를 부러워 나는 당신이 매우 행복하고 당신을 아주 좋아한다고 생각합니다 나는 내 동생에게 전화 한 것에 대해 너에게 감사한다 또한 적극적으로 저에게 다가갑니다 하지만 너의 현재 미덕을 보라

덜 독선적 인 나는 아직 비참하지 않았다 나는 네가 이것을 말하는 것을 듣고 싶다 그럼 뭘 찾고 있니? 이거 말하는거야? 아니요 너에게 무릎을 꿇으면 나는 당혹 스럽다 너에게 무릎을 꿇으면 나는 당혹 스럽다 당신은 그것을 듣는 것을 두려워하지 않습니다

공개하고 공개하고 싶습니다 그러나 확실히 너에게 기도해 나는 그것을 안다 내일 너와 잘 들어라 나는 할머니에게 즉시 이야기 할 것이다

너 누구 니? 날 보내줘 가자 나 풀어 줘 언니 누이 나 풀어 줘 – 좋았어

– 좋은 형 날 보내줘 가자 영국군 나 풀어 줘 나는 아무것도 보지 못했고, 나는 그것을 보지 못했습니다

나는 아무것도 보지 못했다 날 보내줘 가자 큰소리하지 마라 그건 너에게 좋지 않아

우리는 당신을 전혀 다치게하고 싶지 않습니다 조용히 머물러 라 그냥 금괴를 찾아 나에게 정직을 줘 Cui Shichang에 전화 해주세요

생강 서 – 생강 서 있니? – 예 나는 Cui Zhengtai입니다 먹이 Cui 장 뭔가있어? 부통령은 나중에 다시 싸울 것입니다 나는 부통령을 찾고 있지 않다 금괴를 가져와주세요 나는 이것이 끝났다고 생각한다

누가 말했어? 우리는 아직 시작하지 않았습니다 아직 금괴를 건드리지 않았 니? 아십니까? 엔지가 여기 있다고 말할 필요가 없습니다 골드 바 가져와 3시 이전에 인천 저수지 창고로 오세요 거기에 엔지 란 무엇입니까? 금괴를 가져 가지 않으면 오십시오

나는 그녀를 다시 볼 것입니다 형님, 오지 마세요 형, 너 오지마 형님, 오지 마세요 냄비에 생강을 먹이세요

지앙 자이유 아줌마, 나는 퀴이다 Enji는 집에 있습니까? 오랫동안 외출하지 않았다 여전히 아직 돌아 오지 않습니까? 부회장 나는 알고있다 부통령은 어디 있습니까? 확실하지 않음 그는 오늘 일정을 취소하고 나갔다 뉴스 없어? 예 금박을 즉시 가져 오십시오

그렇지 않으면 나중에 다시 볼 수 있습니다 지앙 자이유 나는 지금 엔지가 체포 된 곳에있다 행동하지 마라 내가 갈 때까지 움직이지 마 이해 했니? 나는이 기간 동안 기회를 찾고 있었다

내년은 질투의 날입니다 쿠이 첸 타이 타이 쿠이 첸 타이 가지마 형, 뭐하고 있니? 나는 곧 돌아올거야 약속 해 안녕하세요 쿠이 첸 타이 감히 내게 거짓말을 해

엔지, 너 다 치지 않아 그냥 형제도

트럼프도 앵나게 좋아하고, 바이오쇼크의 원작 미국 소설가

아인랜드, 그는 누구인가? 영향력이 큰 소설가이자, – 이기주의 = 옳은 것 – 화제가 되는 철학가, 세계적으로 상징적인 인물이다 선생님은 대단한 분이세요

– 나도 그리 생각해 그는 많은 별명이 있었다 – 랜드의 소설, 논란이 되는 아인랜드의 책, 아인랜드 책의 토론, 소설 아틀라스는 널 놀라게 할꺼야 – "나에 대한 비평들 엿먹으라고 해" 무엇이 이 사람을 세상의 중심으로 놓게 했을까? 당신은 누구인가요, 아인랜드님? – 1905년 – 러시아 제국에서 태어나 자라면서, 그는 글쓰기에 뜻이 있음을 발견했다 – 아인랜드, 소설을 10살 때부터 쓰다 – 그러나 랜드의 삶은 엉망이 되었다 "집산주의"라고 불리던 개인을 진압하는 혁명 때문이었다

결국 그것은 그의 안전까지 위협했다 1926년, 그는 미국으로 도망갔으며, 그 장소의 피난처가 그에게 상상력을 자극한다는 것을 발견했다 – 뉴욕 – 그 장소의 피난처가 그에게 상상력을 자극한다는 것을 발견했다 할리우드에서 둘째 날, 그는 한 남감독을 만나게 된다 – '한가닥 하는 놈', 세실 B

데밀, 명성있는 남영화감독 & 남성 프로듀서 – – '한가닥 하는 놈', 세실 B데밀, 명성있는 남영화감독 & 남성 프로듀서 – 그남은 그에게 일을 주었다 – 첫번째 직업, 엑스트라 "남왕 중 남왕" – 그는 첫째주에 한 남성배우를 만나게 된다 – 프랭크, 오코너, '나는 바로 사랑에 빠졌지' -아인랜드 – 그는 그남에게서 반지를 받았다 그가 30살일 떄 작가로서 길을 걷기 시작했다

– 아인랜드, 작가 – 연극들, 영화들, 소설들 세번째 소설은 그를 성공가도로 달리게 하여 그의 삶을 모두 바꿨다 – 소설, "파운틴해드" – 세번째 소설은 그를 성공가도로 달리게 하여 그의 삶을 모두 바꿨다 그는 가장 야심적인 일에 기반을 두었다 – 첫번째 에디션, 1957년 출간, 랜드의 대표작, 소설 "아틀라스 : 지구를 떠받치기를 거부한 신" – 그의 소설의 남성 주인공은 언제나 그의 철학을 상징했다

"아틀라스"는 그의 사상 중 가장 대담한 표현이었다 그의 세계관에는 이런 이름이 있다 오브젝티즘 (객관주의) 랜드는 이 객관주의를 계속해서 발전시키고 책들, 기사들, 강의를 통해 설명해 나갔다 그가 가진 생각의 힘은 미국에 폭풍을 일으켰다 그의 비타협적인 성격으로 그는 스포트라이트를 받았고, 그가 죽은 후에도 명성은 계속 되었다

몇십년이 지난 오늘날, 그의 생각은 여전히 논쟁이 활성화 되고있다 – '아인랜드 혹은 예수 – 보수주의자들이 둘 다 주장할 수 있는가?' '진보적인 아인랜드' – 그리고 "개인주의"의 영속적인 열정을 부르고 있다

DL Indaba: AI Investments in Africa: GCPPodcast 147

[음악 재생] 멜라니 워릭 : 안녕하세요 에피소드에 오신 것을 환영합니다

주간 Google Cloud Platform 팟 캐스트의 147 번 나는 멜라니 워릭이야 나는 여기있다 Willie Brink와 Nyalleng Moorosi와 공동 주최했다 안녕, 윌리 안녕, 니얼

NYALLENG MOOROSI : 안녕, 멜라니 안녕하세요 NYALLENG MOOROSI : 여기 와서 반갑습니다 멜라니 워릭 : 여기와 주셔서 감사합니다 괜찮아

나는 너희 둘 모두에게 잠깐 시간을 가지게 할거야 당신이 누군지 조금 알려주세요 고마워 나는 윌리 야 저는 Stellenbosch University의 강사입니다

이것은 물론 호스트입니다 올해의 Deep Learning Indaba에서 컴퓨터 학습, 컴퓨터 비전에 대한 열정이 있습니다 나는 가르침에 대한 열정이 있으며, 그것은 나를 위해 훌륭합니다 여기 있으니 네가 왔어 기뻐

Nyalleng? NYALLENG MOOROSI : 네 나는 Melanie가 언급 한 것처럼 Nyalleng Moorosi입니다 최근에 Google AI 팀에 가입했습니다 연주 할 그룹을 위해 – 그건 가나 아크라에있을 예정입니다 나는 그것에 대해 매우 흥분한다

그 전에 저는 과학위원회 (Council for Scientific)의 연구원이었습니다 산업 연구 – 그것은 매우 긴 이름입니다 하지만 남아공의 연구소, 정부 자금 지원 및 부분적으로 산업 나는 아크라에 가기에 매우 흥분된다 왜냐하면 나는 기계 학습을 계속할 수있다

아프리카에 계속 살고 있습니다 그게 바로 우리가 Indaba에 있습니다 멜라니 워릭 : 네 우리는이 녹음을하고 있으며이 에피소드는 특별히 Deep Learning Indaba에 관한 것입니다 우리는 두 차례의 인터뷰를 선보일 예정입니다

우리가 이번 주에 체포 한 너는 잠시만 시간을내어 말할 수 있니? 잠재 고객은 Deep Learning Indaba가 무엇에 관한 것입니까? NYALLENG MOOROSI : 우리 라인은 아프리카 기계를 강화하고 있습니다 학습하기 때문에 항상 시작하는 것이 좋습니다 그러나 나는 Deep Learning Indaba가 강화되고 있다고 생각한다 아프리카 기계 학습,하지만 우리가 그것을 시작했을 때, 우리는 그것이 얼마나 될지 정확히 알지 못했습니다 그리고 그것은 지식을 공유하는 공동체가되었습니다

기술 공유, 서로 축하, 그리고 물론, 지속적인 학습 그래서 그것은 그것이 가고있는 것처럼 거의 느낀다 우리의 연례 순례 우리가 어디에서 왔든, 우리는 모두가있는 곳으로갑니다 우리는 협력하고 함께 일합니다 우리는 따라 잡고 축하합니다

작년에 우리가 한 일 네 그리고 나는 또한 매우 중요하다고 생각합니다 아프리카 전역의 학생들과 학자들을위한 것입니다 함께 모이고, 서로 만나고, 네트워크에 연결하지만, 중요한 것은 또한 자신의 공동체로 돌아가는 것입니다

기계 학습을 강화하는이 메시지를 계속 전하며, 나머지 세계와 만날 수 있습니다 아프리카에는 엄청난 잠재력이 있습니다 그것이 우리 모두에게 매우 흥미로운 시간이라고 생각하십시오 멜라니 워릭 : 동의했다 제가 말씀 드렸듯이, 우리는 약간의 인터뷰를 가지고 있습니다

이 에피소드에서는 특히 – 윌리, 니가 이걸 도와 줬어 우리는 야신과 이야기하고있어 우리는 또한 Vukosi와 이야기하고 있습니다 우리는 그 인터뷰의 일부를 실제로 말하기 위해 보낼 것입니다 Deep Learning Indaba가 무엇인지에 대해 조금 더 그리고 주어진 포상의 어떤

그 다음 인터뷰의 다른 부분이 다루어졌습니다 Andrea와 함께 있었는데, Andrea는 아프리카의 VC입니다 그리고 Nyalleng을 알았고 방금 그녀와 이야기했습니다 큰 대화를 나눴다 그래서 우리가 인터뷰에 들어가기 전에, 언제나처럼, 우리는 시원한 일들과 그주의 질문들 그리고 우리는 꽤 많은 질문으로 끝을 맺을 것입니다

회의에서 우리의 주요 테이크 아웃은 무엇입니까? 하지만 제가 언급 한 것처럼, 우리는 시작하고 싶습니다 일주일의 시원한 것과 우리는 약간의 변형을 할 것입니다 이것에 대해 조금 이야기하는 것을 돕는 것입니다, 무슨 일이 벌어지고 있는가? 주요 집회는 아니지만 일어나고있는 일들 이 회의 도중 무슨 일이 벌어지고 있는가? 또는 활동? 우리가 여기서 많은 연설자를 알았던 것처럼, 그리고 네 그래서 우리는 실제로 행동으로 가득한 한 주를 보냈습니다 위대한 연사 인 Nando de Freitas가 여기 있었는데, 그리고 무스타파 시세 (Moustapha Cisse)와 다른 많은 사람들, David Silver, 제프 딘 정말 훌륭한 스피커 목록입니다

우리도 포스터 세션을 가지고 있었다 그것은 훌륭했다 모든 학생들은 자신의 작품을 발표하고, AlphaGo의 영화 상영 멜라니 워릭 : 네 기계 학습에 여성이있었습니다

이벤트 1 저녁, 정말로 고무적이었습니다 니얼 랭, 저 사람 한테 말하고 있었어 게다가 NYALLENG MOOROSI : 네 그리고 그것은 매우 잘 참석했습니다

가장 큰 세션 중 하나였습니다 멜라니 워릭 : 그리고 나서 다른 나라의 학생들이었습니다 아프리카 내 제 이해는 30 개국과 같습니다 참석자 수는 약 550 명입니다

그게 옳아 MELANIE WARRICK : WIML 행사 외, 나는 시원한 것들 중 하나가 내가 생각하기에 데이비드 실버가 걸을 때를 보았습니다 누군가 그곳에 앉아서 보면서 그를 보았다 그것은 맙소사, 방금 너를 영화에서 보았다 그는 너무 흥분했다

나는 그것이 꽤 재미 있었다고 생각했다 마음에 드는 다른 작은 하이라이트들? NYALLENG MOOROSI : 네 나는 David Silver spotting에서 누군가를 보았다고 생각한다 그는 조금은 마음을 잃어 버렸습니다 멋진 이벤트, 오 세상에

너무 많은 사람들이 있습니다 나의 가장 멋진 이벤트는 시상식 세션이었습니다 포스터는 항상 정말로 있습니다 보람과 계몽, 그리고 시간의 절반 너는 단지 배울, 회의하기 위해 거기에 간다 다른 모든 사람들은 실제로 기계 학습을하고 있습니다

그리고 아마도 그것이 실제로 무엇인가입니다 여행 한 사람의 수에 대해 언급 할 수 있습니다 멀리에서, 잼 포장 된 다른 연구원 지금까지 여행을 떠난 일정 우리와 함께 한 주 그리고 그것들을 보는 것도 매우 흥미 롭습니다 멜라니 워릭 : 나는 동의한다

매우 그렇다 뛰어 내리는 포스터는? NYALLENG MOOROSI : 오 글쎄,이게 정말 나를 자리에 올려 놓고있어 내가 기억하는 한 포스터는 실제로 스티브 크론 (Steve Kroon)과 허먼 (Herman) Herman은 이것을 조직 한 동료이기도합니다

그리고 이번 포스터는 NIPS의 포스터입니다 그리고 그들은 폐쇄를 가지고 있습니다 네트워크에 노이즈를 추가하는 방법을 발견했습니다 네트워크에 얼마나 많은 소음을 추가 할 수 있습니까? 더 이상 배울 수 없을 때까지? 실제로, 당신은 네트워크를 포화 상태로 만듭니다 더 이상 깊숙한 곳에서 배울 수 없습니다

그래서 그들은이 폐쇄 속성을가집니다 얼마나 깊이 갈 수 있는지, 얼마나 많은 소음을 추가 할 수 있는지, 그리고 그것은 정말 아름답습니다 즉, 매개 변수 조정 검색 공간을 좁히는 것입니다 이것은 Stellenbosch에서 바로 진행되고있는 작업입니다 멜라니 워릭 : 훌륭합니다

글쎄, 나는 우리가 뛰어 가서 점프 할 때라고 생각한다 우리 인터뷰에 그러니 가자 오늘, 나에게 Vukosi Marivate 박사와 함께하게 된 것을 기쁘게 생각합니다 와 야신 무사 아야미 (Yasin Musa Ayami) 남아프리카의 스텔 렌 보쉬 (Stellenbosch)에 위치한 인다 바 (Indaba) 딥 러브 인더바 (Deep Learning Indaba)의 이번 판에 대해서

그리고 나와 함께 Willie Brink도 도움을주고 있습니다 내 특별 게스트 공동 주최자 오늘와 주셔서 감사합니다 VUKOSI MARIVATE : 고맙습니다 멜라니 워릭 : 이제 내가 풀어주고 우리를 쫓아 내자

우리가 보통하는 것처럼, 당신이 우리에게 말하게하는 것입니다 당신이 누군지에 대해서 조금 Vukosi, 너 시작할 수있어? VUKOSI MARIVATE : 나를 보내 주셔서 감사합니다 대부분 내 배경은 기계 학습입니다 현재 저는 데이터 과학의 의장입니다

프리토리아 대학의 선임 강사입니다 내 배경을 지켜 보면서, 나는 젊은 나이에 기계와 인공 지능에 관심, 결국가는거야

Scaling up Keras with Estimators (AI Adventures)

[음악 재생] YUFENG GUO : Keras 모델을 변환 할 수 있다는 것을 알고 계셨습니까? TensorFlow 추정량에? 분산 된 환경에서 다양한 옵션을 제공합니다 교육 및 확장

방법을 찾으려면 계속 지켜봐주십시오 "Cloud AI Adventures"에 오신 것을 환영합니다 우리는 예술, 과학, 기계 학습 도구 내 이름은 Yufeng Guo입니다 그리고이 에피소드에서 우리는 변환하여 규모대로 운영하는 Keras 모델을 준비하는 것 그것을 TensorFlow 평가자에게 전달합니다

그래서 우리는 Keras 모델을 가지고 있습니다 정의하기 쉽고 읽고 읽기 쉬우 며 유지하기가 쉽습니다 그러나 더 큰 데이터 세트로 확장하는 것은 그리 좋지 않습니다 또는 여러 컴퓨터에서 실행 중일 수 있습니다 운 좋게도 Keras와 TensorFlow는 가지고 있습니다

환상적인 상호 운용성 기능 우리가 원하는 것은 Keras 모델을 변환하는 것입니다 배포 된 TensorFlow 견적서 훈련이 내장되어 있습니다 이것은 스케일링 문제를 해결하는 우리의 표입니다 또한 모델 제공을 쉽게 할 수 있습니다

우리 훈련이 끝나면 우리가 관심있는 기능 model_to_estimator라고합니다 그리고 우리가 시작한 노트를 가져 왔습니다 이전 에피소드에서와 함께 새로운 코드로 업데이트 Keras 모델을 TensorFlow 추정기로 변환합니다 Keras를 내보내는 방법에 대해서도 살펴 보겠습니다 일단 훈련이 완료되면 모델은 TensorFlow 모델

이제 Kaggle 노트북과 다이빙으로 전환합시다 코드로 그래서 여기 우리는 Kaggle 커널로 돌아 왔습니다 우리의 패션 MNIST 데이터 세트와 함께 이 코드는 현저하게 친숙 해 보입니다 우리는 NumPy, 팬더, TensorFlow, 그 플롯

그리고 우리는 우리의 데이터 세트를 끌어 올 것입니다 팬더와 함께, 그 CSV 파일을 읽고, 처음 몇 줄을 들여다 보면 알 수 있습니다 첫 번째 열은 Google의 라벨 열입니다 모든 픽셀은 모두 나머지입니다 오른쪽 열의 이 편리한 사전 처리 기능이 있는데, 데이터 프레임을 가져 와서 꺼냅니다

지형지 물 및 라벨 값 그런 다음 직접 저장할 수 있습니다 열차 기능, 열차 라벨, 테스트 기능 및 테스트 라벨 그런 다음 우리는 한 번 핫 인코딩을 할 것입니다 이것은 이전 에피소드에서 본 것과 정확히 같습니다 숫자 인 그 레이블을 변환 할 것입니다

10에 대한 길이 10의 배열 인 레이블 가능한 다른 라벨 그럼 우리 기차를 운영 할거야 우리는 우리의 훈련 매개 변수를 가지고있다 우리는 Keras 모델을 만들 것입니다 이것은 Keras를 만들기 위해 우리가 본 코드와 똑같습니다

전에 모델 그리고 일단 우리가 그것을 만들면 모델을 실행할 수 있습니다 맞습니다 – 이전 에피소드에서 본 것과 동일합니다 우리가 모델에 적합하게되면, 우리는 그것을 테스트 할 수 있습니다 그리고 지금, 우리는 흥미로운 것에 도달합니다

우리의 개종 Keras 모델을 TensorFlow 추정량으로 변환하는 방법은 무엇입니까? model_to_estimator를 사용합니다 이 함수는 몇 가지 다른 인수를 취합니다 하지만 우리의 경우에는 우리 모델에 하나의 포인터를 전달하는 것입니다 인수 Keras 모델

그러면 Keras 모델이 변환됩니다 TensorFlow 추정기에 입력합니다 우리 TensorFlow 견적가가 준비되면, 우리는 평소대로 할 수있는 모든 것을 할 수 있습니다 TensorFlow 추정기로 수행하십시오 이 경우, 나는 계속 나아가 훈련을하기로 결정했습니다

우리는 견적가를 훈련시키고 정확성과 성능 측면에서 우리가 달성 할 수있는 것 그래서 우리가 그렇게하고 싶다면 먼저 우리는 우리의 입력 기능을 어떻게 구성하는지 생각할 필요가 있습니다 그리고 우리의 특징에 대한 큰 의문이 있습니다 우리는 그러한 특징들에 대한 레이블이 필요합니다 우리는 그것을 무엇이라고 부릅니까? 우리가 Keras에서 왔을 때, 우리는 실제로 그것의 이름을 지을 필요가 없습니다

우리 스스로 modelinput_names를 실행해야합니다 그리고 이것은 Keras 모델의 입력 이름입니다 TensorFlow 모델

그 이름들은 복사됩니다 Keras 모델을 살펴볼 수 있습니다 이 경우 dense_3_input이라고합니다 그리고 우리가 그것을 꺼낼 때, 우리는 그 변수 입력을 사용할 것입니다 name은 dense_3_input을 가리키며, 우리의 특징을위한 열쇠입니다

그래서 일단 우리가 그것을 설정하면, 우리는 무엇을 할 수 있을까? 우리는 TensorFlow 추정기 교육을 보는 데 익숙합니다 기능 열이 있습니다 이 경우, 우리는 tf 분류 자의 이름을 바꿀 것입니다 그냥 분류 자로 그리고 이제, 우리는 훈련 할 수 있습니다

그리고 우리는 정확한 입력 이름을 사용했기 때문에, 오류없이이 작업을 수행 할 수 있습니다 올바른 입력 이름을 사용하지 않으면, 오류가 발생하므로 입력 이름을 알아 내야합니다 이제 평가 및 설정을 실행할 수 있습니다 그 evaluate_input 함수 입력 이름을 한 번 사용해야 할 것입니다

다시 여기에서, 그것을 없애는 정말로 좋은 생각 변수에 여기서 주목해야 할 또 하나의 점은 우리가 원 핫 라벨을 사용했다는 것입니다 TensorFlow 교육 및 평가에서, 우리가 Keras에서했던 것처럼 이제 순수 TensorFlow에서이 모델을 실행했습니다

과거에는 패션 MNIST와 함께 not-one-encoded 레이블을 사용할 수있었습니다 5, 7, 9라는 라벨을 사용할 수 있습니다 이 경우 우리는 Keras에서 직접 모델을 가져 왔기 때문에 그것을 TensorFlow로 옮겼습니다 또한 기대하는 모델이되었다 원 핫 코드 레이블

따라서 동일한 라벨을 사용해야합니다 Keras에서했던 것처럼 실제로 이것은 매우 편리하게 끝납니다 왜냐하면 동일한 배열에서 같은 변수를 사용할 수 있습니다 전에 사용했던 이제 평가가 완료되었음을 알 수 있습니다

이 경우 86 %가됩니다 그리고 Keras에서는 비슷한 것을 얻었습니다 여기서 볼 수 있습니다 – 네, 85 % 정확도는 다양한 요인에 이르기까지 무작위 초기화 상태에서 내 컴퓨터는 주어진 날에 그런 느낌이 들었습니다 이제 우리는 두 모델 모두에서 훈련 된 모델을 갖게되었습니다

TensorFlow, 간단한 살펴보기 우리가이 모델을 어떻게 내보낼 지 파일 시스템에 저장합니다 Keras 모델은 매우 직관적입니다 Modelsave를 호출하고 이름을 지정하면됩니다 HDF5 형식으로 내보낼 것입니다

TensorFlow 측면에서 모델 내보내기 export_savedmodel 함수를 사용해야합니다 이 함수는 두 개의 인수를 취합니다 하나는 그것을 내보내는 경로입니다 둘째, 서빙 입력 수신기 기능, 간단히 말해 서빙 기능이라고도합니다 TensorFlow에는 도움이되는 유틸리티가 있습니다

그 봉사 기능을 구축하십시오 그리고 그것은이 매핑을 인수로 취합니다 입력 모양과 유형의 이것은 모델이 어떤 종류의 입력을 기대 하는지를 알 수 있도록 도와줍니다 그래서 일단 우리가 export_savedmodel을 실행하면 TensorFlow 모델에서 우리는 그것이 수출 된 곳을 볼 수 있습니다 그리고 우리는 TensorFlow가 모델을 수출한다는 것을 알 수 있습니다

파일 및 변수라는 폴더로 그래서 편의를 위해 나는 그것을 압축하거나 타르를 좋아한다 쉽게 다운로드 할 수 있습니다 그리고 나서 다른 쪽에서, 당신이 그것을 다운로드하자마자, 당신은 tar로도 압축을 풀 수 있습니다 그래서 그게 무슨 상관이야

Keras 모델을 가지고 우리는 이것을 TensorFlow 추정기로 변환했습니다 그 다음 TensorFlow 추정기를 수출했다 우리는 실제로이 모든 것을 할 수있었습니다 처음부터 TensorFlow 견적을 생성합니다

우리는 Keras 모델을 사용하는 모든 단계를 거쳤습니다 그것을 훈련하여 TensorFlow 추정기로 변환하고, 훈련을 한 다음 두 가지를 수출하는 것입니다 그리고 우리는 그 내 보낸 파일을 사용할 수 있습니다 향후 에피소드에서 더 재미있는 일을 할 수 있습니다 TensorFlow 평가자를 사용하여 분산 교육 받기 Keras 모델을 한 줄로 쉽게 조정할 수 있습니다

이제 두 세계의 장점을 모두 누릴 수 있습니다 Keras 모델 작성 구문을 쉽게 읽을 수 있습니다 TensorFlow 추정기를 통한 분산 교육 "Cloud AI Adventures"에피소드를 시청 해 주셔서 감사합니다 그리고 그것을 즐긴다면, 그것을 좋아하십시오

모든 최신 에피소드를 바로 구독하려면 구독하십시오 그들이 나올 때 지금 당장 당신이 필요로하는 모든 것을 기억하십시오 Keras 모델을 사용하여 분산 된 교육을받는 방법 model_to_estimator를 사용하는 것입니다