Nicolas Bortolotti

¿Qué sucedería si preparamos un experimento que comparara un modelo con características similares usando CPU de escritorio tradicional  y  por otro lado, una  EDGE TPU? Cada Edge TPU es capaz de ejecutar 4 trillones de operations (tera-operaciones) por segundo (TOPS), utilizando 0.5 watts por cada TOPS (2 TOPS por watt). como se traduce este rendimientopara su aplicación dependerá de una variedad de factores. Cada modelro de red neuronal tiene diferentes requerimientos, y si stá utilizando un dispositivo acelerador USB, el rendimeinto total también variará dependiento el CPU host, la velocidad de USB y otros recursos del sistema. referencia  (english) Exploremos ahora una experiencia  utilizando el acelerador USB, tomando contacto con el dispositivo Comenzando el experimento Al explorar la tabla de "tiempo por inferencia", tengo curiosidad por experimentar con la inferencia de modelos, utilizando una CPU de escritorio y con la misma CPU host delegar la inferenc

Si estás interesado en contribuir con TensorFlow con un enfoque específico, una interesante opción es crear or formar parte de un SIG. TensorFlow propone la creación de Grupos de interés especial (SIG) para enfocar la colaboración en áreas particulares.  Que es un TensorFlow SIG? Los SIG proponen su trabajo públicamente. El ámbito ideal para un SIG debería alinearse con un dominio bien definido, donde la mayor participación es mediante el enfoque comunitario. Además, debe haber evidencia suficiente de que hay miembros de la comunidad dispuestos a participar y contribuir en caso de que se establezca este grupo de interés. Mas información aquí,  https://www.tensorflow.org/community/sig_playbook Si tienes interes en participar, tienes una propuesta o idea para esta iniciativa, aquí tienes un canal de comunidad abierto para explorar la propuesta.  https://tensorflowexperiences.nicolasbortolotti.com/main/sig Esta obra está bajo una Licencia Creative Commons Atribución-Co

Semanas atrás con el equipo europeo de comunidades & developers, iniciamos actividades junto  a algunas comunidades especializadas en Aprendizaje Automático y Cloud Platform. Además como parte de esta nueva iniciativa, participamos en algunos Meetups & Actividades. Visitamos 2 comunidades, Zurich y Milano presentando la propuesta de  Cloud Study Jam . Inicialmente compartimos una muy linda experiencia junto a  SOAI chapter in Zurich . Aquí presentamos los fundamentos de  Cloud Study Jam  y agregamos  una sesión práctica sobre CloudML engine. Cloud Study Jam Overview: * el componente central del formato Cloud Study Jam es la utilización de  la plataforma  qwiklabs  que provee el soporte a los tutoriales y laboratorios online. Cloud Study Jam, workshop "Cloud ML Engine: Qwik Start": Además de esta actividad, compartimos otra muy linda experience junto a  Machine Learning Milan . Enfoque similar a la actividad anterior, iniciando con una vista general

Si estás familiarizado con el concepto de comunidad de desarrolladores, posiblemente la pregunta te resulte natural. Pensaste en contribuir con TensorFlow? .  Entonces veamos que opciones disponibles hay y dónde se puede encontrar más información al respecto... Aquí podemos ver claramente el mensaje desde la sección comunidad de TensorFlow: https://www.tensorflow.org/community/contribute Luego de describir los valores de la comunidad en el artículo se pueden observar las opciones para contribuir a TensorFlow como, escribir código, mejorar la documentación, responder preguntas en stackoverflow, participar de las discusiones en el foro, contribuir a los ejemplos propuestos en notebooks, investigar bugs en GitHub, etc... Además inmediatamente a esta lista de opciones podrás ver una enumeración de proyectos comunitarios actuales. Múltiples opciones para hacer un mejor ecosistema de desarrolladores... Pensaste en contribuir con TensorFlow? por Nicolas Bortolotti se distr

Esta mañana dediqué unos minutos a explorar los principales resultados de la encuesta 2019 en stackoverflow , con unas 90k respuestas, este enfoque siempre entrega indicadores interesantes. El primero de los resultados no sorprende tanto, Python como principal lenguaje de programación de más rápido crecimiento, era una tendencia y aquí una buena confirmación de su buen presente, la última parte del resultado es interesante de evaluar, principalmente la presencia de Rust como el lenguaje más querido. Me gustaría conocer más del porque de esta preferencia por Rust, desde luego que ya tengo algunas ideas, igualmente algo que me gustaría remarcar es el mensaje del uno de los ingenieros Yelp que al utilizar en producción Rust y nos deja un claro mensaje de sus puntos altos...  documentación, herramientas y comunidad. "All the documentation, the tooling, the community is great - you have all the tools to succeed in writing Rust code", – Antonio Verardi, Infrastructure Engi

Utilizando tf 2 en modo eager , un método mucho más afín a coder/desarrollador, intenté realizar un procedimiento simple para multiplicar matrices y explorar el rendimiento entre la ejecución en CPU y GPU. Utilizando una multiplicación de 2000x2000 e iterando en 100 steps, tenemos estos valores de comparación en segundos. *para la ejecución utilicé una instancia VM provista por Google Cloud, la imagen con soporte GPU, la m21. La rutina es muy simple, puede ver su implementación aquí desde este proyecto GitHub.  device_check.py

Desde su lanzamiento TensorFlow me cautivó por su poder, funcionalidad y enfoque abierto como librería para calculo numérico avanzado y desde luego para representar, diseñar e implementar modelos de aprendizaje automático. Pero desde la incorporación de Keras , la flexibilidad y simplicidad para la representación de modelos de aprendizaje profundo es maravillosa. Desde su definición, Keras es una API de alto nivel para construir y entrenar modelos de aprendizaje profundo. Se utiliza para creación rápida de prototipos, investigación avanzada y por supuesto esto es válido también para producción. Tres ventajas claras nos propone, es fácil de usar, modular, y relativamente fácil de extender . ❗ si buscan un glosario en español una opción que se ve bien es el propuesto por Google en su iniciativa " Glosario sobre aprendizaje automático " Si les interesa analizar un ejemplo que es un tanto académico pero es interesante para afianzar la mecánica de operaciones de un  red

La pregunta es muy simple, y el objetivo de este artículo es simplemente introducir la utilización de TensorFlow Probability(TFP) . Solo algunas palabras sobre TFP, es una biblioteca Python propuesta en TensorFlow para facilitar la combinación de modelos probabilísticos y el aprendizaje profundo en hardware moderno (TPU, GPU). Seguramente si pasas mucho tiempo analizando datos, conviviendo con procesos estadísticos, o investigando diseño y modelos de ML será de gran utilidad en tus tareas diarias. Pueden tener más detalles aquí. Para esta experiencia seleccioné un problema teoŕico muy simple, que propone una distribución binomial. Si necesita recordar detalles de la distribución binomial aquí pueden rápidamente ver sus detalles. Los registros hospitalarios muestran que de los pacientes que padecen cierta enfermedad, el 75% muere. ¿Cuál es la probabilidad de que de 6 pacientes seleccionados al azar, 4 se recuperen? Nota: Esto parece preliminarmente una distribución binomial

Seguramente en reuniones formales, encuentros de etiqueta, e incluso en el mundo de los negocios alguna vez eligieron o criticaron el color de una corbata. Esto también es posible para el mundo de la visión por computador. El desafío de hoy será analizar una imagen, extraer sus objetos, identificar clases las corbatas y luego analizar su color dominante. Es un lindo desafío si pensamos a futuro combinar de una manera apropiada nuestra vestimenta. Vamos a utilizar Tensor Flow y el modelo de Object Detection. Seguiremos este esquema arquitectónico: Vamos a seleccionar algunas imágenes y aplicar nuestra propuesta. Imágenes seleccionadas El objetivo fue seleccionar diferentes escenarios con diferentes colores para nuestro conjunto de prueba. Soluciones Soluciones en RGBs: [171,14,12] [249,55,53] [ 33,144,216] [48,88,76] Procedimiento utilizado Procesaremos las imágenes con el modelo de detección de objetos de Tensor Flow, luego, utilizando las cajas de det