2023年6月

探索新工具、在實際應用中使用 LLM 等等

瞭解 Keras 如何簡化深度學習 探索 Keras API 的元件，此 API 提供平易近人的介面，可用於透過 TensorFlow 解決機器學習問題。 查看開發人員指南 使用 KerasNLP 和 TensorFlow Lite 建立自動完成 Android 應用程式 大型語言模型 (LLM) 經過訓練，可根據大型資料集產生文字。瞭解如何載入 KerasNLP 模型、使用量化技術加以最佳化，並將其部署到 Android 示範應用程式，該應用程式可以執行任何相容的 TFLite LLM。 查看範例 使用 Visual Blocks 將 ML 構想化為現實 Visual Blocks 是一個新的圖形化程式設計架構，適用於快速原型設計和實驗。使用 PaLM 2 等強大的機器學習建構區塊、在視覺介面中反覆運算，並輕鬆部署。 試用 Visual Blocks 透過 TensorFlow Lite 擴大超音波技術的普及 瞭解 Google 的 Health AI 團隊如何致力於透過使用 TensorFlow Lite 建立行動裝置最佳化的胎兒超音波系統以進行裝置端推論，進而擴大全球孕產婦照護的普及。 閱讀網誌 使用 dtreeviz 可視化及解讀決策樹 將 dtreeviz 程式庫與 TensorFlow Decision Forests 搭配使用，以視覺化呈現樹狀結構中的每個決策節點如何分割特定特徵的網域，並顯示每個預測中訓練例項的分配情形。 閱讀網誌 在 Colab 中試用 使用最先進的 LLM 擴增推薦系統 探索如何使用 PaLM API 在聊天應用程式中建立推薦項目、產生及排序推薦項目、使用嵌入來擷取不明候選項目等等。 閱讀網誌 從軟體工程轉型為 ML 工程 機器學習工程 (MLE) 和軟體工程 (SWE) 之間的主要思維差異為何？瞭解這兩種職位的典型工作日、複雜性，以及從規劃到定義成功的差異。 觀看影片 保持聯繫 © 2023 Google LLC 美國加州山景城 Amphitheatre Parkway 1600 號 94043