
Portuguese: 
Certo, obrigado Zak.
E obrigado pela presença.
E boas-vindas aos que estão
na transmissão ao vivo.
Estamos muito felizes com a Conferência
de Desenvolvedores do TensorFlow.
Quando fizemos o TensorFlow
em código aberto há pouco mais de um ano,
esperávamos construir uma plataforma
de aprendizado de máquina
para todas as pessoas do mundo.
Está claro que o aprendizado de máquina
será incrivelmente importante
em muitos tipos diferentes
de aplicativos e domínios de problema,
muitas áreas da ciência e indústrias.
Queríamos fazer uma plataforma
de código aberto
que todos pudessem
compartilhar e contribuir
que fosse rápida, flexível,
e pronta para produção.
E esses são os três mantras
com os quais estamos trabalhando,
enquanto continuamos
a evoluir o TensorFlow.
Primeiro, um pouco de história.
Nosso grupo vem fazendo
uma pesquisa sobre deep learning
há cerca de cinco anos e meio.
E o primeiro sistema que construímos
chamava-se DistBelief.

English: 
[MUSIC PLAYING]
JEFF DEAN: All
right, thanks Zach.
And thank you all for
coming, and welcome everyone
on the livesteam.
We're really, really excited
about the TensorFlow developer
summit.
So when we open sourced
TensorFlow about a little bit
more than a year
ago, we really were
hoping to build a
machine learning platform
for everyone in the world.
It's very clear that
machine learning
is going to be
incredibly important
across many, many different
kinds of applications
and problem domains across
many fields of science,
across many industries.
And we wanted to build an open
source platform that everyone
could share and could contribute
to that was fast, flexible,
and production-ready.
And that's really the
kind of three mantras
that we've been
working towards as we
continue to evolve TensorFlow.
But first, a bit of history.
So our group has been doing
deep learning research for about
five, five and a half years.
And the first system we
built was called Disbelief.
And this was a system
that worked well for us

Indonesian: 
Baik, terima kasih Zach.
Terima kasih telah datang.
Selamat datang bagi Anda
di siaran langsung.
Kami sangat senang akan
Konferensi Pengembang TensorFlow.
Saat kami menjadikan TensorFlow sumber
terbuka lebih dari setahun yang lalu
kami sangat berharap membuat
platform pembelajaran mesin
bagi semua orang di dunia.
Sangat jelas, pembelajaran mesin
akan menjadi sangat penting
untuk berbagai aplikasi dan domain masalah
dalam berbagai bidang ilmu dan industri.
Kami ingin kembangkan
platform sumber terbuka
di mana semua orang
bisa berbagi dan berkontribusi
dengan cepat, fleksibel dan siap produksi.
Ada tiga jenis mantra
yang sedang kami kerjakan
untuk terus mengembangkan TensorFlow.
Pertama-tama, sejarahnya dulu.
Grup kami telah melakukan
penelitian pembelajaran mendalam
selama lima setengah tahun.
Dan sistem pertama
yang kami bangun bernama DistBelief.

Korean: 
텐서플로우
데브 서밋 2017
고마워요, 제크
여기 와 주신 분들께도 감사 드립니다
라이브스트림에 오신 걸 환영합니다
저희는 이번 텐서플로우 개발자 서밋
때문에 정말 들떠 있습니다
대략 1년 전쯤 텐서플로우에 대한
오픈 소스를 공개했을 때
전 세계의 모든 사람들을 위한
머신 러닝 플렛폼을
정말 만들고 싶었어요
머신 러닝이 다양한 앱과 문제 영역
또 다양한 과학 분야와 산업에서
정말 중요해 질 것이라는 점은
자명한 사실입니다
그리고 저희는 모든 사람들이
빠르고 융통성 있고 
바로 생산에 들어갈 수 있는 것을
공유하고 그것에 기여할 수 있는
오픈 소스 플랫폼을 만들고 싶었죠
또한 그것이 바로 텐서플로우를
계속해서 진화시켜 나가면서
우리가 노력해 온 세 가지 정신입니다
하지만 먼저 역사를 살펴 보죠
저희 그룹은 딥 러닝 연구를
5년 반 정도
해 왔습니다
저희가 최초로 구축한 시스템은
디스트빌리프라고 불렸죠

Japanese: 
[2017年 TensorFlow 開発者会議]
はい ありがとうザック
皆さんご来場ありがとう
ライブをご覧の皆さんもようこそ
この TensorFlow 開発者会議に
心躍らせています
約１年と少し前に
TensorFlow をオープンソース化したとき
世界中の方々に機械学習プラットフォームを
構築することを強く望んでいました
機械学習が
さまざまなアプリや問題領域や
科学分野や産業に渡って
非常に重要になることは明白です
そこで皆が共有し協力できる
オープンソースプラットフォームを
構築しようとしました
高速で柔軟で
すぐ稼働できるプラットフォームをです
それが TensorFlow を進化させ続けつつ
唱えている３つの目標です
履歴を少しお話しましょう
私達のグループは深層学習の研究を
約５年半の間してきました
構築した最初のシステムは
DistBelief と呼ばれ

Chinese: 
好的，谢谢 Zach
谢谢你们的出席
也欢迎观看直播的朋友
我们对 TensorFlow 开发者会议感到非常兴奋
一年前开放了 TensorFlow 自由软件后
我们希望为全世界人
提供机器学习的平台
机器学习将变得非常重要
在不同的应用领域
科学领域和行业里
我们想建立一个
供大家分享和贡献的
自由软件平台
不单快速，灵活
而且产品就绪
这是 TensorFlow 成长过程中
所需要注重的三大理念
首先来聊一点历史
我们的团队一直在研究深度学习
有五至五年半的时间了
我们建立的第一个系统称为 DistBelief

Spanish: 
Muy bien. Gracias, Zach.
Y gracias a todos por venir.
Y bienvenidos todos 
a la transmisión en vivo.
Estamos realmente emocionados
por la Conferencia
de Desarrolladores de TensorFlow.
Así que, cuando promocionamos TensorFlow 
con código libre hace un poco más de 1 año
realmente esperábamos construir
un programa de aprendizaje automático
a nivel mundial.
Es muy claro que el aprendizaje automático
va a ser increíblemente importante
a través de muchos tipos diferentes 
de aplicaciones y problemas de dominio,
a través de muchos campos de la ciencia,
en muchas industrias.
Queríamos construir 
una plataforma de código libre
que todos pudieran compartir
y podieran contribuir
que fuera rápida, flexible y productiva.
Y eso es un tipo de los tres mantras
hacia lo que hemos estado trabajando
y en como continuamos
evolucionando TensorFlow.
Pero primero, un poco de historia.
Entonces, nuestro grupo ha estado haciendo
una profunda investigación de aprendizaje
por alrededor de cinco,
cinco años y medio.
Y el primer sistema que construimos
se llamó DistBelief.

Portuguese: 
Ele funcionava bem para nós,
nos primeiros trabalhos nessa área.
Então, publicamos um artigo 
sobre DistBelief na conferência NIPS 2012
que foi bem recebido.
O DistBelief tinha
propriedades muito boas.
Era bastante escalável,
então podíamos treinar modelos
numa grande quantidade de computadores.
Podíamos treinar modelos
muito grandes e poderosos.
Fizemos vários trabalhos
interessantes com ele,
assim como outras pessoas da Google,
incluindo alguns dos primeiros
trabalhos de imagens com o Inception;
trabalhos com a equipe
de reconhecimento da fala
para melhorar nossos sistemas
de reconhecimento da fala;
trabalhos com a equipe de busca
para melhorar o sistema de classificação
pela utilização de redes neurais
no meio de uma pilha de busca.
Mas, ultimamente, percebemos
que o DistBelief não era exatamente
o que queríamos ao ganharmos experiência
lidando com esses problemas.
Ele foi projetado para CPUs,
porque era o que tínhamos
nos data centers quando
começamos este trabalho.
O suporte ao GPU foi adicionado depois,
mas foi deixado um pouco de lado,
não foi tão analisado quanto gostaríamos.
E o sistema funcionava bem
se o que você queria expressar
funcionasse no modelo
de programação do DistBelief.

English: 
in our early work in this area.
So we published a paper
about Disbelief in NIPS 2012,
it was well received.
Disbelief had a lot of
really nice properties.
It was very scalable,
so we could train models
in very large
numbers of computers,
we could train very
large, powerful models.
We did a lot of
interesting work with that,
and so did other
people at Google,
including some of the
early inception image
work, a lot of work with
our speech recognition team
to improve our speech
recognition systems,
work with our search team to
improve our search ranking
system by deploying neural nets
in the middle of the search
stack.
But ultimately we realized
that Disbelief was not
really exactly what
we wanted as we
got more experience
with applying
these kinds of problems.
It was designed for
CPUs because that's
what we had in our data
centers when we first
started this work.
GPU support was added
later, but it was kind of
bolted onto the side.
It wasn't really thought through
as much as we would have liked.
And the system
worked really well
if what you wanted to express
worked in the programming model
that Disbelief had.
But if you wanted to do
something a little bit

Indonesian: 
Sistem ini bekerja sangat baik
di awal kami bekerja di bidang ini.
Jadi, kami menerbitkan dokumen
tentang DistBelief di NIPS 2012
yang diterima dengan baik.
DistBelief memiliki banyak properti bagus.
Sangat skalabel, jadi kami bisa melatih
model pada banyak komputer.
Kami bisa melatih model
yang besar dan canggih.
Banyak hal menarik kami kerjakan
dengannya, begitu juga di Google.
Termasuk pengerjaan awal gambar Inception,
bekerja keras dengan tim pengenalan suara
untuk meningkatkan sistem pengenalan
suara, bekerja dengan tim penelusuran
untuk meningkatkan sistem
peringkat penelusuran
dengan menggunakan neural nets
di tengah tumpukan penelusuran.
Tapi akhirnya, kami sadar bahwa Distbelief
bukanlah yang kami inginkan
ketika kami punya banyak pengalaman
dalam menerapkan masalah seperti ini.
Ia didesain untuk CPU, karena ia
yang ada di pusat data kami
saat kami memulai pekerjaan ini.
Dukungan GPU ditambahkan kemudian,
tapi dikesampingkan
karena tidak benar-benar dipikirkan
sedalam yang kami harapkan.
Sistem ini bekerja sangat baik
jika yang Anda ingin ekspresikan
berfungsi dalam model
pemograman DistBelief.

Korean: 
이 분야에서의 초반 작업에서
잘 작동된 시스템이었습니다
그래서 2012년 NIPS에
디스트빌리프에 대한 논문을 실었고
호평 받았습니다
디스트빌리프는 꽤 좋은
속성을 가지고 있었습니다
측정이 잘 되어서
굉장히 많은 컴퓨터 상에서 모델을
훈련시킬 수 있었죠
대용량의 강력한 모델들을
시도할 수 있었습니다
이를 통해 재미있는 작업을 많이 했고
Google의 다른 분들도 이용했죠
예컨대 초기 인셉션 이미지 작업과
음성 인식 체계를 향상시키기 위해
음성 인식 팀과 많은 작업을 함께 했고
검색 스택 가운데에
인공 신경망을 배치함으로써
검색 순위 시스템을 향상시키기 위해
검색 팀과 함께 일했죠
하지만 궁극적으로 이러한 문제들을
응용하면서 더 많이 경험할수록
디스트빌리프는 우리가 정말
원하던 것은 아니라는 것을 깨달았죠
CPU를 위해 설계된 것이었죠
이 작업을 처음 시작했을 때
데이터 센터에 있던 것이
바로 CPU였으니까요
나중에 GPU 지원도 추가되었지만
부가적으로 덧붙여진 것이었고
우리가 하고 싶었던 만큼
깊이 생각한 것이 아니었습니다
또한 표현하고자 하는 것이
디스트빌리프의 프로그래밍 모델에서
잘 작동 됐다면
그 시스템에서도 잘 작동됐습니다
하지만 설계 목적에서 살짝 벗어 난

Japanese: 
この分野での初期のものとしては
よく機能しました
2012 年 NIPS で
DistBelief に関する論文を公表し
高評価を得ました
DistBelief には
とても良い特性があり
拡張性にも優れていたため
莫大な数のコンピュータで
大きく強力なモデルをトレーニングできました
それで Google で他の人達とも
多くの興味深い仕事をしました
初期の Inception の画像に携わったり
音声認識システムの改善のため
当チームと数多く共同したり
検索ランキングシステム改善のため
当チームと共同して
検索スタックの中間に
ニューラルネットワークを配置したりしました
しかし最終的には 
現実問題での経験を重ねるにつれ
DistBelief は本当に望んでいたもの
ではないことに気づきました
研究開始時にデータセンターにあった
CPU 向けに設計されたものだったからです
GPU サポートは
後に追加されましたがそれは脇役で
理想的に考え抜かれたもの
ではありませんでした
そのシステムは
伝達したいものが
DistBelief のプログラミングモデルで
実行した場合は役立ちましたが

Chinese: 
这系统对我们早期的工作非常有利
我们在 NIPS 2012年 
发表了关于 DistBelief的文章
反响热烈
DistBelief 拥有许多好的特性
它具有扩展性，
这让我们能够使用
大批的电脑训练模型
我们能够训练庞大有力的模型
用这软件成就了许多有趣的作品
谷歌的工作人员也用上了
包括一些早期的 Inception 图片作品
还有语音识别团队的作品
来改善我们的语音识别系统
和搜寻团队在搜寻堆栈中
发配人工神经网络以改善搜寻排行系统
经过数次考证后
我们发觉 DistBelief 不完全符合要求
它是为 CPU 所设计的
因为那是工作开始时
资料中心拥有的器材
之后添加了 GPU 支持
但像个附带品
对它的设立，我们觉得不太理想
若只利用 Distbelief 的编程模型
系统操作得非常好
但如果想做点额外工作

Spanish: 
Un sistema que nos funcionó bien 
en nuestros primeros trabajos en esta área
así que publicamos un artículo
sobre DistBelief en NIPS 2012
que fue bien recibido.
DistBelief tenía muchas
propiedades realmente buenas.
Era muy escalable
así que podíamos preparar modelos
en un gran número de ordenadores.
Podríamos entrenar muchísimos,
modelos poderosos.
Hicimos muchos 
trabajos interesantes con eso
y también lo hicieron 
otras personas en Google
Incluyendo algunos comienzos
de Inception en trabajos de la imagen
mucho trabajo con nuestro
equipo de reconocimiento de voz
para mejorar nuestros sistemas
de reconocimiento de voz
trabajar con nuestro equipo de búsqueda
para mejorar nuestro sistema
de clasificación de búsqueda
mediante el despliegue de redes neuronales
en medio de la pila de búsqueda.
Pero en última instancia, nos dimos cuenta
de que DistBelief no era exactamente
lo que queríamos, 
ya que tenemos más experiencia
con la aplicación 
de problemas de este tipo.
Fue diseñado para CPUs, 
porque eso es lo que teníamos
en nuestros centros de datos 
cuando empezamos este trabajo.
El soporte de la GPU fue añadido después,
pero fue algo improvisado,
no fue realmente pensado tanto
como nos hubiera gustado.
Y el sistema funcionó muy bien,
se podría decir
que funcionaba en el modelo 
de programación que DistBelief tenía.
Pero si querías hacer algo 
un poco fuera

Korean: 
무엇인가를 하길 원한다면
특히 연구 목적으로는
조금 힘들었죠
따라서 텐서플로우로 저희가
하고자 한 일은 한걸음 물러나서
디스트빌리프를 다시 설계하고
디스트빌리프의 좋은 속성은 간직하되
더 융통성 있고 더 일반적으로
사용할 수 있게 하는 거죠
따라서 텐서플로우는
디스트빌리프가 가지고 있던 측정 가능성과
바로 생산될 수 있다는
속성을 가져 와서
연구에 있어 훨씬 더
융통성 있도록 확장한 거죠
따라서 저희는 이러한
융통성 있는 아이디어를
이어 나가서 다른 새로운 시스템을
이용할 필요 없이
바로 생산에 들어갈 수
있도록 하고 싶은 겁니다
그것이 바로 텐서플로우를
만든 이유이죠
그리고 저희는 이를 오픈 소스로 만들어
전 세계의 모든 사람들이 실제로
사용하게 하고 싶었습니다
많은 플랫폼을 지원하는 것
역시 중요하다고 생각합니다
디스트빌리프는 실제로 대부분
데이터 센터 앱을 위해 설계됐지만
분명 모바일 플랫폼은 실제로 중요합니다
CPU와 GPU, 그리고 Google이
가지고 있는 TPU와 같은
커스텀 엑셀러레이터 상에서
작업을 실행시킬 수 있다는 점과

Portuguese: 
Mas se quisesse fazer algo que saísse
do que foi originalmente projetado,
era um pouco difícil,
especialmente para fins de pesquisa.
Então, com o TensorFlow
queríamos dar um passo atrás
e redesenhar o que tínhamos
com o DistBelief,
mantendo suas boas características,
mas tornando-o mais flexível
e multifuncional.
Então, o TensorFlow conserva
as propriedades escaláveis
existentes no DistBelief,
e sua disponibilidade de produção,
mas expande-as para que se tornem
mais flexíveis à pesquisa.
Realmente queremos abarcar
todos esse continuum de ideias flexíveis,
e então poder pegar essas ideias
e colocá-las em produção
sem precisar recorrer
a um novo tipo de sistema.
Então, é por isso
que construímos o TensorFlow.
E queríamos mantê-lo em código aberto
para que todas as pessoas possam utilizar.
Também sentimos que era importante
dar suporte a muitas plataformas.
O DistBelief foi projetado
mais para aplicativos de data center.
Mas, obviamente, as plataformas móveis
são muito importantes.
Poder gerar uma carga de trabalho em CPUs, 
GPUs e aceleradores personalizados
como os TPUs da Google,

Japanese: 
元々設計された目的と異なる場合
特に研究目的には少し困難でした
そこで TensorFlow では一歩戻り
DistBelief を再設計することで 
DistBelief の良い特性は守っても
より柔軟で
汎用に耐えるものにしようとしました
TensorFlow では
DistBelief の拡張性と
稼働準備状態は残して
研究用にさらに柔軟なものに
拡張しようとしました
全体の一連の
柔軟な概念を広げて
旧来のシステムを利用して
それを合わせて実稼働に
繋げられるようにしたかったのです
それが TensorFlow を構築した理由です
オープンソース化し 世界中の皆が
実際使えるようにもしたいと思いました
多くのプラットフォームを
サポートすることも重要と感じました
DistBelief は主に
データセンターアプリのための設計でしたが
モバイルプラットフォームも非常に重要です
CPU や GPU また Google の TPU のような

Indonesian: 
Tapi jika Anda ingin sesuatu 
di luar desain awal, akan cukup sulit
terutama untuk rencana penelitian.
Yang kami ingin lakukan dengan TensorFlow
adalah mundur selangkah
dan mendesain ulang DistBelief yang ada,
mempertahankan properti bagusnya
dan membuatnya lebih fleksibel
dan untuk pemakaian lebih umum.
Jadi, TensorFlow mengambil properti
skalabel yang dimiliki DistBelief
dan kesiapan produksi, lalu memperluasnya
agar lebih fleksibel bagi penelitian.
Jadi kami sangat ingin menjangkau semua
rangkaian ide yang sangat fleksibel ini
dan mampu mengambil dan menempatkan
ide-ide ini dalam produksi
tanpa harus melalui sistem yang baru.
Itu sebabnya kami kembangkan TensorFlow.
Dan kami ingin membuatnya
menjadi sumber terbuka
agar semua orang bisa memakainya.
Kami juga merasa sangat penting
untuk mendukung berbagai platform.
DistBelief didesain terutama
untuk aplikasi pusat data.
Tapi tentu saja, platform seluler
sangatlah penting.
Bisa menjalankan beban kerja pada CPU
dan GPU dan akselerator khusus
seperti TPU yang dimiliki Google,
dan perusahaan startup lainnya

English: 
outside of what it was
originally designed for,
it was a little bit
hard, especially
for research purposes.
So what we wanted to
do with TensorFlow
is take a step back and redesign
what we had with Disbelief,
and keep the nice
properties of Disbelief,
but make it more flexible
and more general purpose.
And so TensorFlow really
takes the scalable properties
that Disbelief had and
the production readiness,
but then extends it to be much
more flexible for research.
And so we really want to scan
this whole continuum of really
flexible ideas, and then
being able to take those ideas
and put them all the
way into production
without having to go into
a new kind of system.
So that's why we
built TensorFlow,
and we wanted to open source it
so that everyone in the world
could actually use it.
We also felt it was really
important to support
many platforms.
Disbelief was really
designed mostly
for data center applications,
but obviously mobile platforms
are really important, being
able to run workloads on CPUs,
and GPUs, and custom
accelerators like PPUs
that Google has, and
that other startup

Spanish: 
del propósito original del diseño,
era un poco difícil
especialmente para fines de investigación.
Por lo tanto, lo que queríamos hacer 
con TensorFlow es dar un paso atrás
y rediseñar lo que teníamos con DistBelief
y mantener sus propiedades
pero hacerla más flexible 
y con un propósito más general.
Así que, TensorFlow realmente toma
las propiedades escalables
que DistBelief tenía 
y la puesta en producción
pero es más flexible 
para la investigación.
Y por eso realmente queremos abarcar
todo este proceso
de ideas realmente flexibles, 
y luego ser capaces de tomar esas ideas
y ponerlas en la producción
sin tener que entrar 
en un nuevo tipo de sistema.
Por eso, creamos TensorFlow.
Y queríamos tener el código libre
para que todos en el mundo
pudieran utilizarlo.
También sentimos que era muy importante
para ayudar a muchas plataformas.
DistBelief fue diseñado principalmente
para aplicaciones de centro de datos.
Pero obviamente, las plataformas móviles
son realmente importantes.
Ser capaz de ejecutar tareas en CPUs 
y GPUs y aceleradores personalizados
como TPUs que Google tiene, 
y que otras empresas innovadoras

Chinese: 
就显得有些困难了
尤其是在研究方面
于是我们考虑对TensorFlow退一步
重新设计和保持 DistBelief 的良好特性
但让它更为灵活及通用化
TensorFlow 拥有 Distbelief 的扩展性
以及生产准备性
但需要提高在研究方面的灵活性
因此我们想要
保持这种灵活性
将所以的好点子施行到实际生产中
而不需要重新建立新系统
这就是我们创建 TensorFlow 的原因
我们把它设为开放源码
让全世界的人都能使用它
我们认为多平台的支持非常重要
DistBelief 实际上是为数据中心应用准备的
显然现在移动平台更为重要
能操作 CPU 和 GPU，以及定制加速器
像Google 的 TPU, 还有其他新创公司

Japanese: 
機械学習高速化が重要になるにつれて
他スタートアップや大企業も開発中の
カスタムアクセラレータで
作業負荷を実行できることが重要です
しかもさまざまなモバイル
プラットフォームで実行することで--
Android や iOS サポート
Raspberry Pi サポ―トが
TensorFlow に追加されています
機械学習が必要なときいつでも
モデルを選択し実行できるようにするためです
またクラウドプラットフォームでも
実行できるようにしました
Google クラウドや
他クラウドシステムで
生の仮想マシンで TensorFlow を使用し
実行できます
また Google クラウドには高次の
クラウド機械学習サービスがあり
TensorFlow を実行できる
むしろマネージ型サービスです
だから TensorFlow は
Google クラウドでもよく機能します
他言語にもサポートを追加したいと考えました
そこで TensorFlow の初回リリース時に
Python と C++ のサポートをしました
時間の経過と共に
コミュニティの人々と私達は
他言語との関連付けと
他高次言語サポートを加えたため
他言語が TensorFlow を
利用できるようになりました
また機械学習トレーニングや推測用に
良い視覚化ツールや
監視ツールのようなものも持てるよう

Portuguese: 
e que outras empresas iniciantes
e grandes empresas estão desenvolvendo,
enquanto a aceleração do aprendizado
de máquina torna-se mais importante.
E rodar numa variedade
de plataformas móveis.
Android e suporte ao iOS,
suporte ao Raspberry Pi
foram adicionados ao TensorFlow,
porque queremos pegar os modelos
e rodá-los onde o aprendizado
de máquina for necessário.
Também queremos rodar
em plataformas na nuvem.
Você pode rodar no Google Cloud
ou outros sistemas na nuvem
utilizando o TensorFlow,
executado em raw VMs.
O Google Cloud tem alto nível de serviço
de aprendizado de máquina na nuvem,
que é como um serviço gerenciado
onde pode-se rodar o TensorFlow.
O TensorFlow funciona
realmente bem com o Google Cloud.
E queríamos adicionar suporte
a outras linguagens.
Então, quando inicialmente
lançamos o TensorFlow,
tínhamos suporte ao Python e C++.
Com o tempo, nós e outras pessoas
da comunidade adicionamos
outras linguagens e suporte
de linguagem de alto nível,
para que diferentes linguagens
acessem o poder do TensorFlow.
Também trabalhamos muito
para que pudéssemos ter
boas ferramentas de visualização
e monitoramento

English: 
companies and large companies
are developing in this space
as machine learning acceleration
becomes more important.
And running on a variety
of mobile platforms.
Android and iOS support
and Raspberry Pi support
have been added in
TensorFlow because we
want to be able to take
models and run them wherever
machine learning needs occur.
And we also want to be able
to run on cloud platforms.
So you can run this on Google
Cloud or other cloud systems
using TensorFlow
running in raw VMs.
Google Cloud also has a
high level cloud machine
merging service that is
more of a managed service
where you can run TensorFlow.
And so TensorFlow works really
well on Google Cloud, as well.
And we wanted to add
support for other languages.
So when we initially released
TensorFlow we had Python
and c++ support.
And over time we and
others in the community
have added other language
bindings and other higher
level language support so
that different languages can
access the power of TensorFlow.
We've also worked
pretty hard on making it
so that we can have
good visualization tools

Chinese: 
和大公司所研制的
加速机器学习更为重要了
能在不同移动平台上操作
所以 Android，iOS以及 Rasberry Pi 的支持
被添加于 TensorFlow
我们想要它在任何机器学习平台都能使用
我们也想它能在云平台上操作
用着 TensorFlow 操作原始虚拟机
在 Google Cloud 或者其他云平台都能用上它
Google Cloud 拥有高等云机器学习服务
这是在托管服务的情况下操作 TensorFlow
TensorFlow 在Google Cloud的操作非常好
我们也想添加其他语言的支持
当我们刚发布 TensorFlow 时
我们拥有 Python 及 C++ 支持
之后我们和社群里的人添加了
其他语言绑定以及高等语言支持
为了让不同编程语言能应用 TensorFlow
我们非常努力研发
良好视觉化工具和监控工具

Indonesian: 
dan perusahaan besar
sedang mengembangkannya
karena akselerasi pembelajaran mesin
menjadi semakin penting.
Untuk menjalankannya
di berbagai platform seluler--
kami telah menambahkan
dukungan Android, iOS, dan Raspbery Pi
pada TensorFlow,
karena kami ingin bisa mengambil model
dan menjalankannya ketika
pembelajaran mesin dibutuhkan.
Kami juga ingin menjalankannya
pada platform Cloud.
Jadi, Anda bisa menjalankannya
di Google Cloud, atau sistem Cloud lainnya
dengan TensorFlow yang bekerja di raw VM.
Google Cloud juga memiliki layanan Cloud
Machine Learning level tinggi
seperti layanan terkendali
untuk menjalankan TensorFLow.
Jadi TensorFlow bekerja sangat baik
pada Google Cloud juga.
Dan kami ingin menambah dukungan
untuk bahasa lainnya.
Jadi kami muncul, saat kami merilis
TensorFlow pada awalnya--
kami punya dukungan Python dan C++.
Seiring waktu, komunitas kami
telah menambah
jilid bahasa lainnya dan
dukungan bahasa level tinggi
agar berbagai bahasa bisa mengakses
kemampuan TensorFlow.
Kami juga telah bekerja keras
membuatnya memiliki
alat visualisasi yang baik
dan alat pemantauan

Korean: 
다른 신생 기업과 대기업들의
머신 러닝 액셀러레이터로써의 성장은
더욱 중요해지고 있죠
다양한 모바일 플랫폼에서 실행되어
안드로이드와 iOS 지원
그리고 라즈베리 파이 지원이
텐서플로우에 추가 되었습니다
왜냐하면 머신 러닝이
필요할 때마다 모델을 받아들여서
실행될 수 있길 바랬기 때문이죠
클라우드 플랫폼에서도
실행될 수 있길 원했죠
따라서 Google 클라우드나
다른 클라우드 시스템에서
원래의 가상머신에서 실행되는
텐서플로우를 실행할 수 있습니다
Google 클라우드는 또한 텐서플로우를
실행할 수 있는 일종의 관리 서비스인
고품질의 클라우드 머신 러닝
서비스를 가지고 있습니다
따라서 텐서플로우는 Google
클라우드에서도 아주 잘 작동됩니다
또한 다른 언어에 대한 지원도
추가하고 싶었습니다
그래서 저희가 텐서플로우를
처음으로 발표했을 때
파이썬과 C++을 지원했습니다
시간이 지나면서
저희와 커뮤니티의 다른 분들이
다른 언어 바인딩과
더 높은 수준의 언어를 지원했고
다른 언어가 텐서플로우의 파워에
접근할 수 있도록 했죠
저희는 또한 좋은 시각화 도구와
머신 러닝, 훈련
추론을 위한 일종의
모니터링 도구를 가질 수 있도록

Spanish: 
y grandes empresas 
están desarrollando en sus espacios
así como la aceleración del aprendizaje
automático se vuelve más importante.
Y funcionando en una variedad
de plataformas móviles
así que el apoyo de Android y iOS 
y Raspberry Pi
se han añadido a TensorFlow, 
porque queremos ser capaces
de tomar modelos y ejecutarlos dondequiera
que el aprendizaje automático se necesite.
Y también queremos poder correr
en plataformas Cloud.
Así que, puedes ejecutarlo en Google Cloud
u otros sistemas de nube
con TensorFlow en sistemas VMs en bruto.
GoogleCloud también cuenta con un servicio
aprendizaje automático Cloud de alto nivel
que es más un servicio administrado 
en el que puedes ejecutar TensorFlow.
Así que, TensorFlow funciona muy bien
en Google Cloud también.
Y queríamos añadir soporte
para otros lenguajes.
Así que salimos, cuando 
lanzamos inicialmente TensorFlow
teníamos soporte para Python y C ++.
Y con el tiempo, nosotros 
y otros miembros hemos agregado
otros tipos de lenguaje y otros soportes
de lenguaje de nivel superior
de manera que diferentes idiomas
puedan acceder al poder de TensorFlow.
También hemos trabajado muy duro
en hacerlo para que tener
buenas herramientas de visualización
y un tipo de herramientas de supervisión

Korean: 
많은 노력을 기울였습니다
여러분의 모델이 하는 일을
실제로 이해할 수 있도록 말이죠
이러한 과정에서 일어나는 일을
잘 이해하는 것은
연구자의 생산성을 높이고
현재 일어나는 일에
더욱 집중할 수 있도록 해 줍니다
저희는 지금까지 많은 발전을 이루었습니다
그 중 일부에 주목하겠습니다
이 왼쪽 분야는 대부분
디스트빌리프 시스템입니다
이는 다양한 경우에 사용됩니다
하지만 Google 내에서 실제로 볼 수 있죠
텐서플로우를 내부적으로 발표하고
그리고 나서 결국
오픈 소스 제품이 됐을 때
정말 많은 사람들과 Google 팀들로 하여금
제품 향상을 위해 머신 러닝을 사용하고
텐서플로우를 사용할 수 있게
만들어 줬다는 점을 말이죠
따라서 이것은 검색, G메일, 번역
지도 등 여러 분야에서
다양한 피쳐로 통합되었습니다
또한 연구 목적으로도 쓰였죠
저희는 텐서플로우를 사용하는
수백 개의 프로젝트를 했고
텐서플로우를 사용한 수백 개의
논문을 출간했습니다
이는 저희의 머신 러닝 연구의
기초가 된 거죠

English: 
and monitoring tools for
machine learning, training,
and inference so that you
can really understand what
it is your models are doing.
Really getting a
good sense of what's
happening in those
processes allows researchers
to be more productive,
and to really
dive into what's going on.
So we've had a lot
of progress to date,
so I'll just highlight
some of that.
So the area to the left is
mostly our Disbelief system,
and we use that for a
variety of different things.
But you can really
see within Google
that as we released
TensorFlow internally,
and then eventually as an open
source product, that we've
been able to have
many, many more people
and more teams at Google
use machine learning,
and use TensorFlow to
improve both our products,
so it's integrated into many
features in search, and Gmail,
and translating maps,
and many other things,
but also to use it
for research use.
So we've done
hundreds of projects
that use TensorFlow,
published hundreds of papers
using TensorFlow as the
basis for our machine
learning research.

Indonesian: 
untuk pembelajaran mesin, pelatihan,
dan keputusan
agar Anda bisa sangat memahami
yang dilakukan model Anda.
Memahami prosesnya membuat peneliti
lebih produktif dan sangat memahami
yang sedang dikerjakan.
Perkembangan sampai saat ini
Nah, sampai kini
sudah banyak perkembangan.
Saya akan tunjukkan beberapa saja.
Di sebelah kiri adalah kebanyakan
sistem DistBelief kami.
Kami memakainya
untuk tujuan yang beragam.
Anda bisa lihat di Google saat
peluncuran TensorFlow secara internal
dan akhirnya menjadi produk sumber terbuka
dan semakin banyak orang dan tim
di Google memakai pembelajaran mesin
dan memakai TensorFlow
untuk meningkatkan kedua produk kami--
jadi diintegrasi dalam berbagai fitur
di penelusuran, Gmail, terjemahan, peta
dan di banyak fitur lainnya.
Juga memakainya untuk penelitian.
Kami telah mengerjakan ratusan proyek
dengan TensorFlow,
menerbitkan ratusan dokumen
menggunakan TensorFlow
sebagai dasar pembelajaran mesin.

Chinese: 
促成机器学习，训练和论断
这让你能真正了解模型在做什么
整个过程里保持着清晰的概观
也让研究者更有效率
以及完全深入了解状况
如今我们有许多进展
我只挑选一部分
左边的是我们的 DistBelief 系统
我们在不同的情况下会用上它
但你能看见
当我们在Google 内部发布
然后逐渐设为开源码产品发布
有更多的人
以及 Google 团队利用机器学习
以及利用 TensorFlow 让我们的产品进步
它整合在搜寻， Gmail, 翻译的功能里
在地图和其他应用软件里
也用在研究里
我们用了 TensorFlow 完成了数百个项目
用了 TensorFlow 发表了数百个文件
那是我们机器学习研究的基础

Spanish: 
para el aprendizaje automático,
entrenamiento e inferencia
de modo que puedan comprender bien 
lo que están haciendo sus modelos hacen.
Conseguir un buen sentido
de lo que está sucediendo en esos procesos
permitir a los investigadores
ser más productivos
y sumergirse en lo que está pasando.
Hemos tenido 
muchos progresos hasta la fecha.
Bien, voy a destacar algunos de ellos.
El área a la izquierda 
es más o menos nuestro sistema DistBelief.
Y usamos eso para una variedad
de cosas diferentes.
Pero realmente podemos ver en Google
que al publicar TensorFlow internamente
y luego como 
un producto de código abierto
hemos podido tener muchas,
muchas más personas
y más equipos en Google
usan el aprendizaje automático
y usan TensorFlow para mejorar
ambos productos nuestros
por eso se integra en muchas funciones,
en búsqueda, en Gmail, al traducir
en mapas y muchas otras cosas.
Pero también para hacer investigaciones.
Así, hemos hecho cientos de proyectos
que utilizan TensorFlow
publicado cientos de artículos
utilizando TensorFlow
como la base de nuestra investigación
de aprendizaje automático.

Japanese: 
取り組んできました
モデルがしていることを
本当に理解できるようにする目的でした
処理中はどうなっているかを
良く理解することで
研究者がより生産的になりますし
起きている事を掘り下げられます
[今までの成果]
私達は今まで多くの成果がありました
そのいくつかをご紹介しましょう
左側の領域はほぼ
DistBelief システムについてです
さまざま別のことに使用しますが
これでよく分かるように
TensorFlow は社内リリースのため
Google 社内だったのが
オープンソース製品として
最終的には
非常に多くの人と
より多くのGoogleチームが
どんどん機械学習を使用し
TensorFlow を使用して
両方の製品を改善し
検索・Gmail・翻訳・
地図その他多くの機能に
統合されるようになります
また研究にも使用します
TensorFlow を使用する
数百のプロジェクトを行い
TensorFlow を使用した
機械学習研究の基礎として
数百の論文を公表しています

Portuguese: 
para aprendizado de máquina,
treinamento e dedução,
para que você possa entender
o que nossos modelos estão fazendo.
Ter um bom senso do que está
acontecendo nesses processos,
permite que os pesquisadores
sejam mais produtivos
e mergulhem no que estiver acontecendo.
Então, tivemos muito progresso até agora.
Vou ressaltar apenas alguns deles.
A área à esquerda é basicamente
o nosso sistema DistBelief.
E a utilizamos 
para uma variedade de coisas.
Você pode ver na Google que,
quando lançamos o TensorFlow internamente,
e, finalmente, como um produto 
de código aberto,
pudemos ter muito mais pessoas
e equipes na Google
usando aprendizado de máquina
e o TensorFlow para melhorar
ambos os produtos.
Então, está integrado em muitos recursos
na busca, Gmail, Tradutor,
no Maps, e muitas outras coisas.
E também para utilizá-lo em pesquisas.
Então, fizemos centenas de projetos
com o TensorFlow,
e publicamos centenas de artigos
utilizando o TensorFlow
como base para a pesquisa
de aprendizado de máquina.

Chinese: 
这也是 Github 里的机器学习项目
名列第一的知识库
这让我们非常兴奋
它在外部群体中非常受欢迎
你能看见 TensorFlow 的适应性
速度提高得非常快
我觉得这证明了
我们开始建造和继续在建造的
一个多人贡献的 TensorFlow
并以各种有趣和创新的方法操作着它
我们有将近 500 位非 Google 贡献者
给 TensorFlow提供了程序
一个月内有大概一千个源代码库投放
群体外有非常多人
制作了教学和各种 TensorFlow 的模型实施
还有文件的翻译，都是有趣的项目
现在有大概 5500 GitHub的知识库
与TensorFlow 有关
只有四到五个是官方知识库
我们和这群体有着非常多的交流
例如回答在Stack Overflow 上的问题

Japanese: 
また GitHubで機械学習のカテゴリーで
現在１番のレポジトリとなっています
素晴らしいことです
社外のコミュニティでも
良い評価を受けています
TensorFlow は
かなり急速に採用されてきています
それはコミュニティの証しで
私達が構築を開始し
構築を継続している場で
たくさんの人々が
TensorFlow に協力し
あらゆる興味深い革新的なことに
用いている証拠だと思います
私達には約500の
Google 外協力者がいて
TensorFlow のコードに
協力してきました
ソースコードベースに
月に約 1000 のコミットがあります
非常に多くの社外の人がコミュニティで
TensorFlow の
チュートリアル作成や他モデル実装
文書の翻訳や興味深い
プロジェクトの作成をしてきました
現在 TensorFlow と題した
約 5,500 の GitHub レポジトリがあり
その内公式レポジトリは
４つか５つだけです
このコミュニティと
直接携わることも多く

English: 
And it's also now the number
one repository in machine
learning category on GitHub.
So we're pretty
excited about that.
It's been really well received
in the external community.
And you can see that
TensorFlow adoption has really
accelerated quite quickly.
And I think that's
testament to the community
that we've started to build
and are continuing to build,
where lots of people are
contributing to TensorFlow
and using it for all kinds
of interesting and innovative
ways.
We have almost 500
non-google contributors
have contributed
code to TensorFlow.
We have about 1,000 commits per
month in the source code base.
Many, many people
outside in the community
have created tutorials,
and other kinds of model
implantations and
TensorFlow translations
of the documentation,
interesting projects.
There's about 5,500
GitHub repositories now
with TensorFlow in the
title, only four or five
of which are the
official repositories.
And we've had a lot of direct
engagement with this community
by answering questions
on Stack Overflow
dealing with issue
and feature requests

Portuguese: 
Ele é agora o repositório número um
na categoria de aprendizado
de máquina no GitHub.
Estamos muito felizes.
Foi realmente bem recebido
pela comunidade externa.
E você pode ver 
que as adaptações no TensorFlow
aceleraram realmente rápido.
E, sabem, acho que é uma prova
para a comunidade
de que começamos 
e continuamos a construir
e que muitas pessoas estão
contribuindo com o TensorFlow,
e utilizando-o para vários tipos
de coisas interessantes e inovadoras.
Nós temos quase 500
colaboradores fora da Google
que contribuíram com códigos 
para o TensorFlow.
Temos cerca de mil contribuições
ao mês na base do código-fonte.
Muitas pessoas de fora da comunidade
criaram tutoriais e outros modelos
de implementação no TensorFlow,
traduções das documentações
e projetos interessantes.
Existem cerca de 5.500 repositórios
do GitHub agora
com o TensorFlow no título,
e apenas quatro ou cinco
são repositórios oficiais.
E tivemos muito engajamento direto
com essa comunidade
ao responder perguntas no Stack Overflow,
questões e solicitações de recursos

Indonesian: 
Sekarang ia menjadi gudang nomor satu
di kategori pembelajaran mesin di GitHub.
Kami sangat senang soal itu.
Dan ia diterima baik
di komunitas eksternal.
Dan bisa dilihat bahwa adaptasi
TensorFlow berjalan sangat cepat.
Saya pikir itu adalah pengakuan
pada komunitas
bahwa kami telah membangun
dan terus membangun
di mana banyak orang berkontribusi
bagi TensorFlow
dan memakainya untuk berbagai hal
yang menarik dan inovatif.
Ada sekitar 500 kontributor
dari luar Google
telah menyumbangkan kode untuk TensorFlow.
Ada sekitar 1.000 kontributor berkomitmen
setiap bulan untuk basis sumber kode.
Banyak orang di luar komunitas
membuat tutorial
dan implementasi model lainnya
di TensorFlow
menerjemahkan dokumen,
proyek-proyek menarik.
Kini ada sekitar 5.500 gudang GitHub
dengan kata TensorFlow
dan hanya empat atau lima
yang merupakan gudang resmi.
Dan kami banyak terlibat langsung
dengan komunitas ini
dengan menjawab pertanyaan
di Stack Overflow, menyelesaikan masalah

Spanish: 
Y también es ahora el repositorio número 1
en la categoría 
de aprendizaje automático en GitHub.
Así que estamos muy emocionados por eso.
Ha sido muy bien recibido
en la comunidad externa.
Y pueden ver que las adaptaciones
de TensorFlow realmente
se han acelerado con bastante rapidez.
Y saben, creo que ese es 
el testimonio de la comunidad
que hemos comenzado a construir 
y que siguen construyendo
donde mucha gente 
está contribuyendo con TensorFlow
y usándolo para todo tipo
de cosas interesantes e innovadoras.
Tenemos, casi 500 contribuidores
no pertenecientes a Google
que han contribuido
en código a TensorFlow.
Tenemos cerca de mil comisiones
por mes en la base del código fuente.
Muchas personas de fuera de la comunidad
han creado tutoriales y otros tipos
de implementos de modelos en TensorFlow
traducciones de la documentación,
proyectos interesantes.
Hay cerca de 5.500 
repositorios GitHub ahora
con TensorFlow en el título
sólo cuatro o cinco de los cuales
son los repositorios oficiales.
Y hemos tenido un gran compromiso
directo con esta comunidad
al responder preguntas por Stack Overflow,
tratando problemas y solicitudes

Korean: 
그리고 이제는 깃허브의
머신 러닝 범주에서 레포지토리 1위를
차지하고 있습니다
정말 신나는 일이죠
외부 커뮤니티에서 호평을 받고 있습니다
텐서플로우의 적응이 정말 빨리
가속화 된 사실을 보실 수
있을 겁니다
그리고 이건 커뮤니티의
증거라고 생각합니다
저희가 많은 사람들이
텐서플로우에 공헌하는 장소를
짓기 시작했고
또 계속 지을 것이라는 증거 말이죠
또한 이를 온갖 재미있고 창의적인 방식으로
사용할 것이라고 말이죠
사실 거의 500명의
Google 소속이 아닌 분들이
텐서플로우의 코드에 공헌하셨습니다
소스 코드 베이스에서 한 달에
천 개 정도의 커밋을 받고 있습니다
커뮤니티 밖에 있는 많은 분들이
텐서플로우에서 사용 설명서와
다양한 모델 구현을 만들었습니다
문서화로의 번역 등
흥미로운 프로젝트를 했죠
현재 제목에 텐서플로우를 포함한
깃허브 리포지토리가
5,500개 정도 있습니다
그 중 네 다섯 개만이
공식 리포지토리입니다
또한 저희는 이 커뮤니티와
직접 연관됩니다
스택 오버플로우에 대한 질문에
답을 하고 사람들이 제출한

Indonesian: 
dan permintaan fitur.
Kami sangat gembira karena melihat
pemakaian kelas pembelajaran mesin
mulai ada di berbagai universitas.
Contohnya, Toronto, Berkeley,
dan Stanford, memakai TensorFlow
sebagai materi dasar pembelajaran mesin
yang penting dalam kurikulum mereka.
Sejak diluncurkan, kami telah menambah
fitur dan bekerja dengan komunitas
untuk memahami fitur penting
yang mereka ingin lihat.
Tahukah Anda?
Contohnya, TensorFlow terdistribusi,
dukungan latihan terdistribusi, ditambah
setelah beberapa bulan
pasca peluncuran perdana.
Menambah berbagai API level tinggi,
jadi pengguna bisa lebih mudah
mengekspresikan jenis model
yang mereka inginkan tanpa harus
menyetel pada level paling bawah.
Contohnya seperti TensorFlow Slim.
Kami telah tambah dukungan Windows,
contohnya dukungan HDFS, CUDA 8 dan CuDNN.
Banyak yang diminta komunitas
telah dirilis dalam waktu berbeda.
Setiap beberapa bulan sekali,
kami mengadakan rilis kecil.
Hanya setahun lebih.

Japanese: 
Stack Overflow での質疑応答を行い
頂いた問題点や機能上の要請に対処します
非常に嬉しいことの１つは
様々な大学で機械学習の授業に
使われ始めていることです
例えばトロント大学
バークレー大学、スタンフォード大学で
各大学カリキュラムで
機械学習授業の重要な基礎として
TensorFlowを使用しています
立ち上げ以来 
機能を追加してきており
ユーザーに重要で必要とされている
機能を理解するため
コミュニティと共同してきています
少しご紹介するだけでも
分散 TensorFlow 
分散トレーニングサポートが
初期立ち上げから
たった数か月で追加されました
さまざまなハイレベル API を
追加してあるので
非常なローレベルで必ずしも指定しなくても
欲しいモデルの種類を簡単に表現できます
TensorFlow Slim はその１つです
Windows サポートも追加しています
例えば HDFS サポートや
CUDA 8 や CuDNN 向けのサポートです
コミュニティが望んできた多くのことが
さまざまなリリースで可能になっています
２か月に１度の
定期的マイナーリリースを続けています
[すべてが１年の間]

Spanish: 
que la gente ha enviado.
Y una de las cosas que nos contenta ver
es que el uso en las clases 
de aprendizaje automático
está empezando a suceder 
en diferentes universidades.
Como en, Toronto, Berkeley y Stanford,
por ejemplo, están usando TensorFlow
como base importante en clases 
de aprendizaje automático en su currículo.
Desde que lo lanzamos, 
hemos estado agregando características
y trabajando con la comunidad 
para entender qué características
son las importantes que ellos quieren ver.
¿Y saben qué?
Sólo para resaltar unos cuantos, 
TensorFlow distribuido
el apoyo de formación distribuida,
se añadió unos meses
después de nuestro lanzamiento inicial.
Se han añadido varias API de alto nivel,
así que las personas pueden expresar
fácilmente los tipos de modelos que desean
sin tener que especificar necesariamente
las cosas a un nivel muy bajo.
Cosas como TensorFlow Slim.
Hemos añadido soporte para Windows,
y por ejemplo, soporte HDFS
soporte para CUDA 8 y CuDNN.
Muchas cosas aquí
que la comunidad ha estado pidiendo
para hacerse en diferentes versiones.
Hemos seguido lanzando 
una versión menor
que vence cada dos meses.

Chinese: 
以及处理与议题和功能有关的要求
还有让我们更为高兴的是
看见它在大学的机器学习班里
被使用
多伦多，伯克利和斯坦福大学都在用 TensorFlow
作为他们的机器学习课程的基础
TensorFlow发布以来
我们添加了各种功能
和群体一起发掘什么功能
是他们觉得重要的
你知道吗？
例如分散式 TensorFlow，
分散式训练支持在初步发布
几个月后被添加了
各种高级 API 被添加了
这让人很容易
提取他们想要的模型
而不需要在低层指定事件
例如 TensorFlow Slim
我们添加了 Windows 支持，例如 HDFS 支持
支持 CUDA 8 和 CuDNN
社群的众多要求
都在不同的版本里被添加了
我们保持着每几个月
就发布微调版本的节奏

Portuguese: 
que as pessoas enviaram.
Uma das coisas que nos deixa
felizes é que o uso
do aprendizado de máquina
em salas de aula está começando
em diferentes universidades.
Toronto, Berkeley e Stanford,
por exemplo, estão usando o TensorFlow
como base em aulas importantes
de aprendizado de máquina.
Desde o lançamento, 
temos adicionado recursos
e trabalhado com a comunidade
para entender quais recursos
consideram realmente importantes.
E, sabem o quê?
Por exemplo, o TensorFlow distribuído,
e o suporte de treinamento distribuído,
foram adicionados poucos meses
depois do primeiro lançamento.
APIs de alto nível foram adicionadas
para que as pessoas possam facilmente
expressar os tipos de modelos desejados
sem precisar, necessariamente,
especificar coisas 
a um nível muito básico.
Coisas como o TensorFlow Slim.
Adicionamos o suporte do Windows,
e, por exemplo, o suporte HDFS,
suporte para CUDA 8 e CuDNN.
Muitas das coisas solicitadas 
pela comunidade
foram lançadas em diferentes versões.
Tivemos cerca de uma versão
a cada dois meses,
versões menores em cadência.

English: 
that people have submitted.
And one of the things
we're really happy to see
is that the use in
machine learning classes
is starting to happen in
different universities.
So Toronto, Berkeley, and
Stanford, for example,
are all using TensorFlow as
the basis of important machine
learning classes in
their curriculum.
Since we launched, we've been
adding features and working
with the community
to understand what
features are really important
that they want to see.
And just to highlight
a few, TensorFlow
distributed training support
was added a few months
after our initial launch.
Various high level
APIs have been
added so that people
can more easily express
the kinds of models
they want without having
to necessarily specify things
that are very low level.
Things like TensorFlow Slim.
We've added Windows
support, and for example,
HTFS support, support for
CUDA [INAUDIBLE] and CuDNN.
Many, many things here that the
community has been asking for
have made it into
different releases,
and we've kept up about a
release every couple of months
cadence.

Korean: 
문제와 특성 요구를 해결하면서 말이죠
저희가 너무 기쁜 것 중 하나는
머신 러닝 수업이 다양한 대학에
개설되기 시작했다는 점입니다
예컨대 토론토, 버클리, 스탠포드 모두
학사 일정에서 중요한
머신 러닝 수업의 기초로써
텐서플로우를 사용하고 있습니다
저희가 시작한 이후
피쳐를 첨가해 왔고
사람들이 보고 싶어하는 정말 중요한
피쳐가 무엇인가를
이해해기 위해 커뮤니티와
작업해 왔습니다
그리고
몇 가지 강조해보자면
분산환경 텐서 플로우
분산환경 훈련 지원
저희가 처음 발표한 후
몇 달 후 추가되었습니다
다양한 고수준 API가 추가되었고
이제 이용자들은 아주 저수준을
구체화 할 필요없이
원하는 모델 유형을
더 쉽게 표현할 수 있게 됐죠
텐서플로우 슬림 같은 것이죠
예컨대 윈도우 지원
HDFS 지원, 또 CUDA 8과
CuDNN에 대한 지원도 추가했습니다
커뮤니티가 요구해 온 많은 것들이
다양한 발표로 이뤄진 겁니다
두 달에 한번 정도로
발표하는 것을 유지하고 있어요
작은 발표이죠

Chinese: 
这都是这一年内发生的事情
很不简单！
这个社群非常活跃
我非常高兴能参与那么大的开源码项目
以前我在 Google 工作
都不是开源码项目
看见外部 TensorFlow 系统的应用
和大家在操作它，我感到很欣慰
我想邀请 TensorFlow 的工程组长 Rajat Monga
上来谈谈新发展
谢谢
谢谢，Jeff
谢谢
大家好
今天有非常多了不起的通告
让我们开始吧
首先来说最让人振奋的消息
今天我们非常高兴发布 TensorFlow 1.0
Jeff 谈起了一些让我们达到 1.0
的有关信息
在谈这些之前

Portuguese: 
E tudo isso aconteceu em apenas um ano.
Isso é excelente.
Essa comunidade
é realmente próspera e vibrante.
Estou muito feliz por ser parte
de um grande projeto em código aberto.
Muitos dos projetos 
que fiz para a Google no passado
não eram de código aberto.
E é muito bom ver o uso externo
do sistema TensorFlow e o que
as pessoas estão fazendo com ele.
Vou convidar agora ao Rajat Monga,
nosso líder de engenharia do TensorFlow,
para falar sobre as novidades.
Obrigado.
Obrigado, Jeff.
Obrigado.
Olá a todos.
Então, temos muitos
anúncios excelentes hoje.
Vamos começar.
Vou começar com o primeiro
e mais excitante.
Hoje, estamos felizes em anunciar
o TensorFlow 1.0.
Jeff falou sobre várias coisas
que aconteceram
para nos levar ao 1.0.
E, antes de falar sobre mais coisas,

Indonesian: 
Semua ini terjadi
hanya dalam setahun lebih.
Sangat luar biasa.
Komunitas ini sangat hidup dan berkembang.
Saya senang menjadi bagian
dari proyek besar sumber terbuka ini.
Sebagian besar pekerjaan saya
di Google, bukan proyek sumber terbuka.
Saya sangat senang
melihat pemakaian eksternal
sistem TensorFlow dan manfaatnya.
Saya akan mengundang Rajat Monga,
Kepala Teknik TensorFlow
untuk membahas hal baru di hari ini.
Terima kasih.
Terima kasih, Jeff.
Terima kasih.
Halo semuanya.
Banyak pengumuman luar biasa hari ini.
Mari kita mulai.
Saya mulai dengan yang pertama
dan paling mengasyikkan.
Hari ini, kami sangat bangga
mengumumkan TensorFlow v1.0.
Jeff membahas beberapa hal
yang telah dilakukan
untuk mewujudkan v1.0 ini.
Sebelum saya bahas lebih lanjut--

Korean: 
그리고 이 모든 것이
지난 1년 동안 일어났어요
정말 멋지죠
이 커뮤니티는 정말
활발하게 성장하고 있어요
큰 오픈 소스 프로젝트에
참여하게 되서 정말 신납니다
제가 이제껏 Google에서 해 온 일은
오픈 소스 프로젝트가 아니라서
텐서플로우 시스템이 외부에서 사용되고
사람들이 어떻게 사용하는지
보는 것이 정말 좋습니다
이제 새로운 측면을 설명하기 위해
저희 텐서플로우 엔지니어 리더인
라자트 몽가를 소개하겠습니다
감사합니다
고마워요, 제프
감사합니다
안녕하세요, 여러분
오늘 정말 멋진 공고가 많을 겁니다
그럼 시작할게요
먼저 가장 신나는 것부터 시작할게요
오늘 텐서플로우 1.0을
발표하게 되어 너무 신납니다
실제로 1.0버전을 만들기까지
필요했던 많은 것을
제프가 이야기했죠
오늘 저희가 발표하게 될

Spanish: 
Y todo esto ha sucedido
en poco más de un año
así que es bastante increíble.
Esta comunidad 
es realmente vibrante y próspera.
Estoy muy emocionado de ser parte 
de un gran proyecto de código abierto.
Mucho del trabajo que he hecho 
en Google en el pasado
no han sido proyectos de código abierto.
Y es realmente agradable ver
el uso externo
del sistema TensorFlow 
y lo que la gente está haciendo con él.
Voy a invitar a Rajat Monga,
nuestro Líder de Ingeniería de TensorFlow
para hablar sobre lo más nuevo.
Gracias.
Gracias, Jeff.
Gracias.
Hola a todos.
Bien, hay un montón de anuncios
sorprendentes hoy en día.
Vamos a empezar.
Permítanme comenzar 
con el primero y el más emocionante.
Hoy estamos emocionados 
de anunciar TensorFlow 1.0.
Jeff habló sobre una serie de cosas
que se han unido
para llegar realmente a 1.0.
Y antes de entrar en más cosas

English: 
Minor release.
And all of this has happened
in just over a year.
So this is pretty amazing.
This community is really
vibrant and thriving.
I'm really excited to be part
of a big open source project.
A lot of the work that I've
done in Google in the past
has been not open
souce projects,
and it's really nice to
see the external usage
of the TensorFlow system, and
what people are doing with it.
I'm going to invite Rajat Monga,
our TensorFlow engineering
lead, up to talk about
what's new today.
Thank you.
RAJAT MONGA: Thank you, Jeff.
Thank you.
Hello, everyone.
So there are lots of
amazing announcements today.
And let's get started.
Let me start with the first
one and the most exciting one.
Today we are excited to
announce TensorFlow 1.0.
Jeff talked about a number of
things that have come together
to really get us to 1.0.
And before I get into more
of the things, the new things

Japanese: 
驚くべきことに このすべてが
たった１年の間に起こっています
このコミュニティは非常に活力あり盛況です
私は大きなオープンソースプロジェクトに
関われてとても嬉しいです
Googleでの過去の仕事の多くは
そうではありませんでした
TensorFlow システムを
社外の人が使用して
それで人々が行うことを
目にするのは素晴らしいです
ここでラジャット・マンガを紹介します
TensorFlow
エンジニアリングリーダーです
皆さんに最新情報をお伝えします
ありがとうジェフ
ありがとう
こんにちは　皆さん
今日は素晴らしい発表がたくさんあります
始めましょう
まず1番心躍ることから始めましょう
TensorFlow 1.0 をここに発表します
1.0 にするため
統合した数々のことを
ジェフがお話ししました

Portuguese: 
as novidades que vamos anunciar hoje,
vamos fazer uma pausa 
para agradecer às pessoas maravilhosas
que fizeram este projeto acontecer.
Parabéns à equipe maravilhosa
que fez do TensorFlow um ótimo produto.
Graças a todos vocês, 
a comunidade, por participar.
Existem cerca de 500 colaboradores,
como Jeff mencionou, fora da Google,
que contribuíram com código no TensorFlow.
E todos os outros no Stack Overflow
e GitHub que estão ajudando
com questões, suporte e mais.
Então, obrigado a todos.
Vamos começar e ver
o que temos no TensorFlow 1.0.
É rápido.
Vocês sabem que a performance
sempre foi importante para nós.
É uma das coisas que realmente
ajudaram o deep learning
a chegar onde está.
E trazer os ótimos resultados
que está obtendo.
Hoje, com o 1.0, estamos apresentando
uma aceleração de 58x em 64 CPUs
rodando o Inception-v3,
que é uma das melhores referências
em performance de imagem.
É flexível.
Jeff mencionou alguns APIs de alto nível.
Estamos anunciando ainda mais.
Queremos facilitar as coisas para vocês.

Spanish: 
las cosas nuevas 
que estamos anunciando hoy
tomemos un momento para agradecer
a todas las personas maravillosas
que han hecho que esto suceda.
Felicitaciones a un equipo increíble
que se unieron
para hacer de TensorFlow
un gran producto.
Gracias a todos ustedes, a la comunidad,
que realmente se unieron.
Hay cerca de 500 contribuyentes, 
como Jeff mencionó, de fuera de Google
que han contribuido 
en el código de TensorFlow.
Y muchos otros en Stack Overflow 
y GitHub que están ayudando
con los problemas y el soporte
y así sucesivamente.
Así que, gracias a todos.
Empecemos.
Echemos un vistazo a lo que hay
en TensorFlow 1.0.
Es rápido.
Saben, el rendimiento siempre
ha sido importante para nosotros.
Es una de las cosas que realmente
ayudó a que el aprendizaje profundo
llegue a donde está.
Para dar los grandes resultados
que ha estado adquiriendo.
Y hoy, con 1.0, estamos mostrando
una velocidad de 58x en 64 GPUs
que ejecutan el Inception-v3, que es 
uno de los grandes puntos de referencia
para el rendimiento de la imagen.
Es flexible.
Jeff mencionó algunas 
de las API de alto nivel.
Estamos anunciando aún más.
Queremos que sea fácil para usted
hacer todas las cosas.

English: 
that we're announcing
today, let's
take a moment to just thank
all the wonderful people who
have made this happen.
So kudos to an amazing team
that's come together to make
TensorFlow a great product.
Thanks to all of
you, the community,
who's really gotten together.
There are nearly
500 contributors,
as Jeff mentioned, from outside
Google who've contributed code
back to TensorFlow.
And the many others on
Stack Overflow and GitHub
who are helping with issues,
and support, and so on.
So thank you all.
Let's get started, let's
take a look at what's
there in TensorFlow 1.0.
It's fast.
Performance has always
been important to us.
It's one of the
things that's really
helped deep learning
get to where
it is to give the great
results that it's been getting.
And today with 1.0 we're showing
a 58X speed up on 64 GPUs
running the inception
v3, which is
one of the great benchmarks
for image performance.
It's flexible.
Jeff mentioned some of
the high level APIs,
we're announcing even more.
We want to make it easy for
you to do all the things.
TensorFlow's
philosophy has always

Chinese: 
今天在宣布消息之前
让我们来感谢实现这项目
的各位
谢谢一起创造
TensorFlow的了不起的团队
谢谢你们大家，还有一起合作的群体
如 Jeff 所说的，我们有将近 500 位Google以外的贡献者
贡献了源码给 TensorFlow
还有许多在 GitHub 与 Stack Overflow
协助议题和支持的朋友
谢谢你们
让我们开始吧
我们来看看 TensorFlow 1.0
它很快
效能对我们来说非常重要
它是协助深入学习达到
今日水平的基础
一直以来提供了良好的成绩
1.0 在 64 GPU 上操作着 Inception - v3
有着 58倍加速能力
那是图像性能的良好基准
它很灵活
Jeff 谈到了一些高等 API
我们将宣布更多好消息
我们想让你们更轻松地做各种事情

Indonesian: 
tentang hal baru yang akan
kami umumkan hari ini--
mari sejenak berterima kasih
pada semua pihak yang telah mewujudkannya.
Selamat buat tim luar biasa
yang bersama-sama membuat
TensorFlow menjadi produk hebat.
Terima kasih bagi Anda semua, komunitas,
yang telah berkumpul bersama.
Ada sekitar 500 kontributor, seperti
yang disebut Jeff, dari luar Google
yang telah menyumbangkan kode
untuk TensorFlow.
Dan banyak lainnya
di Stack Overflow dan GitHub
yang membantu menangani
masalah dan dukungan lainnya.
Terima kasih semua.
Mari kita mulai.
Ayo lihat apa yang ada di TensorFlow v1.0.
Dia cepat.
Kinerja sangat penting bagi kami.
Yaitu salah satu hal yang sangat membantu
pembelajaran mendalam bekerja semestinya
agar bisa memberi hasil
seperti capaian sekarang.
Hari ini, dengan v1.0, kami tampilkan
pemercepat 58x pada GPU 64
menjalankan Inception-v3,
yang merupakan salah satu patokan hebat
untuk kinerja gambar.
Dia fleksibel.
Jeff menyebut beberapa API level tinggi.
Kami akan umumkan banyak lagi.
Kami ingin memudahkan Anda
untuk melakukan apa saja.

Korean: 
새로운 것들을 이야기하기 전에
먼저 이 일을 가능하게
해 주신 모든 훌륭한 분들께
감사드리고 싶어요
텐서플로우를 훌륭한 제품으로
만들기 위해
함께 해 주신 멋진 팀들, 정말 멋져요
여러분 모두와 커뮤니티 덕분입니다
정말 함께 해주신 분들이죠
제프가 말했든 Google 외부에서
거의 500명이 넘는 분들이 도와주셨죠
텐서플로우의 코드에 공헌해주신 분들이죠
스택 오버플로우와 깃허브에서
문제와 지원에 도움을 주신
다른 많은 분들도 마찬가지입니다
모든 분들께 감사드려요
이제 시작하겠습니다
텐서플로우 1.0에 무엇이 있나 보겠습니다
빠르죠
성능은 항상 중요한 부분이죠
실제로 딥 러닝이 현 위치에
가도록 도와주는 것 중
하나입니다
현재의 훌륭한 결과를 주기 위해 말이죠
그리고 오늘 1.0으로 64 GPU에서
58x 스피드를 보여주고 있습니다
인셉션 v3를 운영하고 있고
이는 이미지 성능을 위한
훌륭한 벤치마크 중 하나죠
융통성 있습니다
제프가 일부 고수준 API를 언급했죠
그 이상입니다
여러분이 모든 것을 하기 쉽도록
만들고 싶습니다

Japanese: 
今日の新発表の詳細をお伝えする前に
まずこれを実現させてくれた
素晴らしい皆さんに感謝します
一丸となり TensorFlow を優れた
製品にしてくれた素晴らしいチームにも称賛を
そしてコミュニティで協力いただいた
全ての皆さんに感謝します
ジェフがお伝えしたように
TensorFlow のコードを裏で支え協力してきた
約 500 名の Google 社外協力者がいます
Stack Overflow と GitHub にも
問題対処やサポートをされた方が大勢います
皆さんありがとう
では始めましょう
TensorFlow 1.0 の内容を見てみます
まず速いです
パフォーマンスは私達に常に重要です
深層学習が現状に到達するのに 
役立ったことの１つです
優れた結果を出すために重要です
現在 1.0 では
64GPU 上で Inception-v3 実行に
58 倍の速度向上を示しており
これが画像性能で
優れた基準の１つになっています
そして柔軟です
ハイレベル API はジェフが触れましたが
もっと説明しましょう
皆さんの仕事を簡単にするのが
私達の望みです
TensorFlow の方針は常に

Portuguese: 
A filosofia do TensorFlow
sempre foi lhes permitir fazer,
e dar-lhes o poder de fazer 
o que quiserem.
Mas também facilitar,
e isso torna tudo mais fácil.
E está pronto para produção.
Com o 1.0 e o Versionamento
Semântico que seguimos,
garantimos a compatibilidade retrógrada
para todas as mudanças futuras.
Então, quando você receber
novas versões e novos recursos,
não precisa se preocupar
em estragar as coisas.
E há muito mais, que outros convidados
falarão mais tarde.
Mas vamos ver alguns deles.
Vamos começar com APIs de alto nível.
Um dos nossos objetivos sempre foi
levar o aprendizado de máquina a todos.
E esses APIs de alto nível
realmente facilitam
e espero que alcancem mais pessoas.
Então, vamos ver o que eles são.
Esta imagem é provavelmente
familiar a muitos de vocês
se já utilizam o TensorFlow.
No centro está o C++ recomendado 
com um Motor de Execução Distribuída
para alta performance.
Ele abstrai vários tipos de dispositivos,
alguns dos quais Jeff mostrou,
como CPUs, GPUs, e outros,
e faz um ótimo trabalho com isso.
Além disso, estão as últimas linguagens,
como o Python Frontend,

Indonesian: 
Filsafat TensorFlow adalah memberi Anda--
kemampuan untuk melakukan
yang Anda inginkan.
Juga mempermudah.
Bahkan lebih mempermudah.
Dan siap untuk produksi.
Dengan v1.0, dan Semantic Versioning
yang kami ikuti,
kami menjamin kompatibilitas terbalik
untuk semua perubahan di masa depan.
Begitu Anda mendapat versi dan fitur baru,
tidak perlu cemas akan penyesuaian.
Masih banyak yang akan dibahas
oleh pembicara tamu lainnya.
Ayo lihat yang berikut ini.
Kita mulai dengan API level tinggi.
Salah satu tujuan kami adalah menyediakan
pembelajaran mesin bagi siapa saja.
API level tinggi ini mempermudahnya
dan semoga menjangkau lebih banyak orang.
Mari kita lihat apa itu.
Ini gambar yang tak asing bagi Anda
yang telah memakai TensorFlow.
Di bagian tengah adalah inti 
Mesin Eksekusi Terdistribusi--
merekomendasi C++ untuk kinerja tinggi.
Ia meringkas berbagai perangkat hebat,
beberapa di antaranya ditunjukkan
oleh Jeff sebelumnya,
seperti CPU, GPU, dan lainnya
dan bekerja baik di sana.

Japanese: 
皆さんが何でもしたいことをする力を
簡単にして提供することで
これはより簡単にもします
そして稼働準備できています
1.0 と次の
セマンティックバージョニングでは
すべての将来的変更に対して
後方互換性の確保を保証します
なので新バージョンや新機能を得たときに
壊れる心配をしなくていいのです
もっとありますが詳しくは
後のゲストが皆さんにお伝えします
いくつかは詳しく見てみましょう
ハイレベル API から始めましょう
私達の目標の１つは常に
あらゆる人に機械学習をもたらすことです
ハイレベル API は
それを容易に実現しますし
より多くの人に渡るでしょう
どんなものか見てみましょう
これは TensorFlow 使用経験がある
皆さんにはおそらくお馴染の図です
真ん中にコア分散実行エンジン
ハイパフォーマンスのための
C++ が書いてあります
さまざまなデバイスを抜き離します
ジェフがさっき示した CPU や GPU など
そこでよく機能します

Spanish: 
La filosofía de TensorFlow siempre 
ha sido permitirte hacer, dar realmente
darte el poder de hacer lo que quieras.
Pero también hacerlo fácil, 
y esto lo hace aún más fácil.
Y una producción flexible.
Hay... con 1.0 y Semantic Versioning
que seguimos
estamos garantizando que vamos
a asegurar la compatibilidad
con versiones anteriores 
para todos los cambios futuros.
Por lo tanto, a medida que obtenga 
nuevas versiones y nuevas funciones
no tendrás que preocuparte
por romper cosas.
Y muchos más, ya saben,
como algunos de nuestros invitados
mencionarán luego.
Pero echemos
un vistazo a algunos de estos.
Empecemos con las API de alto nivel.
Uno de nuestros objetivos siempre ha sido
traer el aprendizaje automático a todos.
Y estos APIs de alto nivel realmente
lo hacen fácil
y esperanzadamente, 
conseguirán a más gente.
Así que echemos un vistazo a lo que son.
Esta es una imagen que probablemente
es familiar para muchos de ustedes
si han estado usando TensorFlow.
En el centro está el núcleo 
de Distributed Execution Engine
recomiendo C + + para un alto rendimiento.
Resume [inaudible] 
los mejores tipos de dispositivos
algunos de los cuales 
Jeff mostró anteriormente
como CPUs, GPUs, etc.
y hace un gran trabajo con eso.
Encima de él está lo último en lenguajes,
como el Python Frontend

Chinese: 
TensorFlow 的宗旨一直都是让你
有效地做任何事情
但也确保操作简单
这让过程更简单了
它已经成型
1.0 的语义版本
能确保将来一切变化
都具有兼容性
当你升级和有新功能时
你不需要再担心搞砸了
还有许多别的细节
之后由其他嘉宾介绍
让我们先看看这里
从高等 API 开始
我们其中一个目的是向把机器学习带给大家
这些高等 API 让它变得容易
也希望能让更多人接触
来看看它们是什么
这也许对你们来说都非常熟悉
若你们使用着 TensorFlow
中间是主要分布执行机器
为了高效能建议使用 C++
它协助各种不同的器件
像 Jeff 之前展示过的
例如 CPU, GPU 等等
它非常有效

Korean: 
텐서플로우의 철학은 항상
여러분이 원하는 것은 무엇이든
할 수 있는 힘을 드리는 겁니다
또한 쉽게 말이죠
이건 훨씬 쉽게 만들어 줍니다
또한 바로 생산할 수 있습니다
1.0과 우리가 따르고 있는
유의미적 버전관리로
앞으로의 모든 변화가
이전 기종과 호환이 되도록
보장하겠습니다
따라서 여러분이 새로운 버전과
새로운 피쳐가 추가되더라도
고장나는 것에 대해 걱정하지
않으셔도 됩니다
더 많은 것이 있을 겁니다
앞으로 다른 게스트분들이
말씀해주시겠지만
그 일부를 잠깐 보겠습니다
고수준 API에 대해 얘기해 보죠
저희 목표 중 하나는 머신 러닝을
모든 사람에게 제공하는 겁니다
이러한 고수준 API이 이를 쉽게
또 바라건데
더 많은 분들이 이용하게 해 줄 겁니다
그럼 이게 무엇인지 한번 보죠
텐서플로우를 사용해 오신 분들에게는
아마도 친숙한 그림일 겁니다
중간에는 코어 분산환경 실행 엔진이 있죠
고성능을 위해선 C++을 추천합니다
가장 훌륭한 종류의 기계의
[청취불가] 끌어냅니다
제프가 좀 전에 보여준 것처럼
CPU, GPU 등등 이고
작동이 잘 됩니다

English: 
been to give you the power
to do whatever you want,
but also make it easy, and
this makes it even easier.
And it's production-ready.
With 1.0 and semantic
versioning that will follow,
we're guaranteeing that we'll
ensure backwards compatibility
for all future changes.
So as you get new
versions and new features,
you don't have to worry
about breaking things.
And many more as some of the
guests later will talk about.
But let's take a look
at some of these.
Let's start at the
high level APIs.
One of our goals has
always been to bring
machine learning to everyone.
And these high level APIs
really make it easier,
and hopefully will
get to more people.
So let's take a look
at what they are.
This is a picture
that's probably
familiar to a lot of you if
you've been using TensorFlow.
In the middle is the core
distributed execution engine
written in c++ for
high performance.
It abstracts away
all the various kinds
of devices, some of which
Jeff showed earlier,
like CPUs, GPUs, and so on.
And does a great job at that.
On top of it are the
various languages,

Spanish: 
y el C ++ Frontend, y otra vez, 
muchos diversos lenguajes
que están siendo apoyados allí.
Ahora, hoy, estamos anunciando
una serie de APIs
en la parte superior de Python Frontend.
La primera es Layers.
Bien, estos permiten, si está utilizando
modelos de aprendizaje profundo
para crear totalmente conectados,
circunvolución, agrupación
y todas las capas estándar
que se presentan
como componentes pre-construidos.
No tienes que empezar 
a hacerlos desde el principio
de nuevo, haciéndolo más fácil para ti.
Además de eso, el Keras es un API 
con la que muchos de ustedes
probablemente estén familiarizados.
Es bastante popular.
Y estamos anunciando la integración
de Keras con TensorFlow
y la implementación, es decir, 
para hacer fácil el crear de esos modelos.
Y una API Estimador que realmente
le ayudan a tomar esos modelos
combinarlos con tus conjuntos de datos,
etcétera, facilitando la capacitación
y evaluación de estos modelos.
Y por último, además de todo esto,
hay una serie de modelos
que ya están ahí para ustedes, 
en la caja para ustedes
por ejemplo, la regresión lineal, 
DNNs simples, y así sucesivamente
con los que pueden comenzar

English: 
like the Python front
and the c++ front.
And again, many
different languages that
are being supported there.
Now today we're announcing
a number of APIs
on top of the Python front end.
The first one is layers.
So these allow really, if you're
using deep learning models,
to build fully connected
convolution pooling and all
the standard layers
that you come up
with as pre-built components so
you don't have to really start
making them from scratch.
Again, making it easier for you.
On top of that, Keras is
an API that a lot of you
are probably familiar with.
It's pretty popular.
And we are announcing
the integration of Keras
with TensorFlow,
and implementation
to make it, again, easier
to build those models.
And an estimated API that really
helps you take those models,
combine them with your
data sets, et cetera,
make it easy for you to train
and evaluate these models.
And finally, on top
of all of these,
there are a number of models
that are already there
for you in the box for you.
For example, linear regression,
simple DNNs, and so on,
that you can start with
that you can actually

Korean: 
그 위에는 파이썬과 같은
가장 최근의 언어가 있고
C++ 프론트엔드와 다른 많은 언어들이
지원되고 있습니다
오늘 파이썬 프론트엔드를 포함한
다양한 API를 발표할 겁니다
첫 번째는 레이어스입니다
이는 딥 러닝 모델을 사용하고 있을 때
완전히 연결된 콘볼루션, 풀링, 그리고
미리 만들어진 요소에 따라 오는
모든 기본 레이어들을 만들어 줄 겁니다
완전히 처음부터 만들기
시작할 필요가 없는 거죠
다시 한번, 용이하게 만들었죠
게다가 케라스는 많은 분들께서 아마
친숙하실 겁니다
인기가 많죠
그리고 저희는 이제 케라스와
텐서플로우의 통합을 알려 드립니다
다시 한번 이러한 모델을
만들기 쉽게 구현하는 겁니다
에스티메이터 API는 이러한 모델을
여러분의 데이터 세트 등과
통합하도록 도와주고
이 모델을 훈련 및
평가하기 쉽게 해 주죠
마지막으로 이러한 수많은 모델들은
이미 박스 안에 존재합니다
예컨대 회귀 분석, 단순 DNN 등으로
시작할 수 있고

Chinese: 
加上最新语言，例如 Python Frontend
还有 C++ Frontend, 非常多的语言
都被支持
今天除了介绍 Python Frontend
还想介绍数个 API
第一个是 Layers
若你使用深入学习模型
它能让你建造完全连接，卷积，汇集和全部
你所建立的标准层以预置元件形式呈现
不需再从头建立起
这都是简化工作的优点
Keras 应该是大家都熟悉
的 API
挺受欢迎的
我们今天宣布 Keras 与 TensorFlow 的一体化
以及方便建造模型的执行
还有估值器 API 能协助你
把模型和数据集综合起来
以便训练及鉴定这些模型
最后，还有一些模型
是已经存在供你使用的
例如线性回归, 简单的 DNN 等等
供你使用

Indonesian: 
Sebagai tambahan adalah bahasa terbaru,
seperti Python Frontend
dan C++ Frontend, dan banyak bahasa
lainnya yang didukung di sana.
Hari ini, kami umumkan beberapa API
selain Python Frontend.
Yang pertama adalah Layers.
Jika Anda memakai model pembelajaran
mendalam, ini akan mengizinkan Anda
untuk membangun hubungan erat, lilitan,
penyatuan, dan semua layer standar
yang datang sebagai komponen
yang telah dibuat sebelumnya.
Anda tidak harus mulai membuat dari awal--
dan ini akan mempermudah Anda.
Selain itu, Keras mungkin adalah API
yang telah Anda kenal.
Keras sangat terkenal.
Dan kami umumkan penggabungan
Keras dan TensorFlow
dan implementasi untuk mempermudah
membangun model tersebut.
Estimator API sangat membantu
untuk menangani model itu
menggabungnya dengan data,
dan sebagainya
mempermudah untuk melatih
dan mengevaluasi model tersebut.
Selain itu, ada beberapa model
yang telah tersedia bagi Anda.
Contohnya, Regresi linear, DNN sederhana,
dan lainnya, yang bisa digunakan.

Japanese: 
さらに Python フロントエンドや
C++ フロントエンドなど
さまざまな言語がサポートされています
さて今日 Python フロントエンドに加えて
API も数多く発表しています
最初のものは Layers です
これらは深層学習モデルを使用している場合
ひも付け、畳み込み、プーリング
ビルド済みコンポーネントとして思い付く
あらゆる標準レイヤーを
完全に構築できます
開発者の皆さんが
１から作る必要がないのです
これも皆さんの仕事を楽にします
また Keras は皆さんの多くに
お馴染みの API でしょう
かなり人気です
私達は TensorFlow と Keras を統合し
それらのモデルの構築を
簡単にする実装を備えました
モデルを選択し 自分のデータセットと
結合で予想される API は
これらのモデルのトレーニングと
評価を簡単にします
最後にこれらすべてに加えて
たくさんのモデルを
皆さんにご用意してあります
例えば線形回帰や
シンプルな DNN などがあり
それを使って開始したり

Portuguese: 
o C++ Frontend
e muitas linguagens diferentes
suportadas ali.
Hoje, estamos anunciando
vários APIs
além do Python Frontend.
O primeiro é Layers.
Ele permite, se você usa
modelos de deep learning,
construir totalmente conectado,
convolução, agrupamento
e as camadas padrões que quiser 
como componentes pré-construídos.
Você não precisa realmente
começar a construir do zero,
novamente, facilitando para você.
Além disso, o Keras
é uma API que muitos de vocês
devem estar familiarizados,
é bem popular.
E estamos anunciando a integração
do Keras com TensorFlow,
e a implementação para, novamente,
facilitar a construção desses modelos.
E uma API Estimator que ajuda
a pegar esses modelos,
combiná-los com seus
conjuntos de dados, etc.,
tornando mais fácil treinar
e avaliar os modelos.
E, finalmente, além de tudo isso,
estão vários modelos
que já estão lá para você,
dentro da caixa,
por exemplo, regressão linear,
DNNs simples e outros,
para poder começar.

English: 
run on your core to train stuff
with very few lines of code.
Next up, so
TensorFlow's is always
done great in deep learning,
but we built the core
to be really
flexible to allow you
to do all kinds of
amazing things with it.
And today we are
announcing broad machine
learning support with the help
of many teams across Google
and folks externally, as well.
So let's take a look at
everything that we are doing.
Of course as with
everything else,
performance is
important for these.
So all of these implementations
are pretty fast,
and you can take advantage
of them on a single machine
or distributed in a cluster.
If you're trying
to do clustering,
K-means is an
obvious choice, so we
have an implementation of
K-means in TensorFlow for you.
If you're doing classification,
support vector machines
are used often.
And this might be a great place
to start, especially if you
have predefined features.
But then going from there,
if you want to, let's say,
learn features or do something
fancier, the same kind of APIs
are there for you to try deep
learning or other algorithms

Japanese: 
皆さんのコア上で少数行のコードで
トレーニングを実行できます
また TensorFlow は常に
深層学習で非常に役立ってきましたが
皆さんがいろいろ
素晴らしいことができるよう
本当に柔軟にするため
私達はコアを構築しました
今日 多くの Google 社内と
社外に渡る多くのチームとともに
広範囲の機械学習サポートを発表しています
私達が行っていることすべてを見てみましょう
もちろんその他すべてと同様
パフォーマンスは重要です
すべての実装はかなり速いので
単一マシン上かクラスタでの分散で
有効利用できます
クラスタを試みている場合
K-Means は明らかな選択です
そこで TensorFlow に
K-Means を実装しました
分類をしているなら
サポートベクターマシンはよく使われます
これは特に定義済み機能がある場合の
開始には良いかもしれませんが
そこから例えば学習機能か
もっと手の込んだことを望む場合に
同じ種類の API で

Korean: 
코드 몇 줄로 훈련시키도록
코드를 실제로
운영할 수 있는 거죠
다음으로 텐서플로우는
딥 러닝을 항상 잘 해 왔죠
하지만 코어가 정말
융통성 있게 만들었고
이를 통해 온갖 멋진 일을
할 수 있도록 만들었어요
그리고 오늘 저희는
Google 내의 많은 팀과
외부의 많은 분들의 도움으로
브로드 머신 러닝 지원을
발표하겠습니다
그럼 저희가 하고 있는
모든 것을 살펴 보죠
물론 모든 것에 있어서
성능이 중요하겠죠
따라서 모든 구현은 아주 빠르고
하나의 머신에서 혹은
클러스터의 분산환경에서
이를 활용할 수 있는 겁니다
그리고 클러스터링을 하려고 한다면
분명 K 평균을 하겠죠
따라서 저희는 텐서플로우에
K 평균의 구현을 넣었습니다
분류를 하고 있다면 종종
서포트 벡터 머신을 이용하시겠죠
이것이 아마 좋은 시작점이 될 겁니다
특히 미리 지정된 피쳐가 있다면 말이죠
그러고 나서 여러분이 피쳐를 배우거나
좀더 멋진 일을 하고 싶다면
같은 종류의 API가

Chinese: 
你能使用简短的编程
来操作训练
TensorFlow 一直以来的深入学习成果非常显著
我们把核心建立得非常灵活
让你们能使用它创造各种了不起的事情
今天我们也宣布广泛机器学习支持
全靠 Google 的众多团队
以及外部的参与者协助
来看看我们在做的事情
正如其他的事情
效能非常地重要
这些执行都非常快
你能在单机上利用它
或者分配到集群里去
若你尝试操作集群， K-Means 是明显的选择
TensorFlow 有专门执行 K-Means 的功能
若你正在进行分类， 支持向量机常被应用
这是一个开始的好地方
尤其是当你已经有预定的功能
那如果说你想学习功能
或更复杂的操作，同样的 API

Spanish: 
que pueden realmente usar 
en su código para formar cosas
con muy pocas líneas del código.
Por lo tanto, TensorFlow siempre
ha hecho un gran aprendizaje profundo.
Pero construimos el núcleo 
para ser realmente flexible
para permitir que usted haga 
todo tipo de cosas asombrosas con él.
Y hoy, estamos anunciando el amplio apoyo
del aprendizaje automático
con la ayuda de muchos equipos
a través de Google
y la gente externamente, también.
Así que echemos un vistazo 
a todo lo que estamos haciendo.
Por supuesto, usted sabe,
como con todo lo demás
el rendimiento es importante para estos.
Por eso, todas estas implementaciones
son bastante rápidas
y pueden aprovecharlas en una sola máquina
o distribuirlas en un clúster.
Si está intentando hacer clústeres,
K-Means es una opción obvia.
Por lo tanto, tenemos una implementación
de K-Means en TensorFlow para usted.
Si hacen clasificaciones
Máquinas de Soporte de Vector
son usadas con frecuencia.
Y esto podría ser 
un gran lugar para comenzar
especialmente si tiene 
características predefinidas.
Pero a partir de ahí, si quieres, 
por ejemplo, aprender características
o hacer algo más lujoso,
el mismo tipo de APIs

Portuguese: 
Pode rodá-los no seu código
para treinar coisas
com poucas linhas de código.
O TensorFlow sempre foi
ótimo em deep learning.
Mas construímos o núcleo
para ser muito flexível,
e permitir fazer coisas incríveis com ele.
E hoje, estamos anunciando um vasto
suporte de aprendizado de máquina
com a ajuda de muitas equipes da Google
e colegas externos, também.
Então, vamos ver tudo
o que está sendo feito.
Assim como qualquer outra coisa,
a performance é importante.
Essas implementações são muito rápidas,
e você pode aproveitá-las
em uma única máquina
ou distribuídas em grupo.
Se quiser fazer agrupamento,
K-Means é uma escolha óbvia.
Então, temos uma implementação
do K-Means no TensorFlow para você.
Se fizer classificações, 
Máquinas de Suporte Vetorial são usadas.
E este pode ser um bom lugar para começar,
especialmente se você possuir
recursos predefinidos.
A partir daí, se você quiser,
por exemplo, aprender recursos
ou fazer algo além,
os mesmos tipos de APIs

Indonesian: 
Anda bisa menjalankannya
dengan kode untuk pelatihan
hanya dengan beberapa baris kode.
Nah, TensorFlow selalu hebat
dalam pembelajaran mendalam.
Dan kami membuat inti yang fleksibel
agar bisa melakukan hal yang hebat.
Hari ini, kami mengumumkan
dukungan luas pembelajaran mesin
dengan bantuan banyak tim dalam Google
dan orang-orang eksternal juga.
Kita lihat semua yang telah kami lakukan.
Tentu saja, seperti yang lain,
kinerja sangatlah penting.
Semua implementasi ini sangatlah cepat
dan Anda bisa memanfaatkan mesin tunggal
atau terdistribusi dalam kelompok.
Jika Anda mencoba pengelompokan,
K-Means adalah pilihan tepat.
Kami punya implementasi K-Means
dalam TensorFlow untuk Anda.
Jika Anda melakukan klasifikasi,
Suppot Vector Machine sering digunakan.
Ini mungkin tempat yang tepat
untuk memulainya
khususnya jika Anda punya
fitur yang telah ditetapkan.
Tapi jika Anda ingin belajar fitur
atau membuat yang lebih baik,
API yang sama tersedia

Japanese: 
深層学習や
他のアルゴリズムも試せます
また決定木と
ランダムフォレストがあります
分類と回帰用です
他にもいろいろ備えています
アシーシが後に詳細をお話します
[新しいプラットフォームとアクセラレータ]
では新しいプラットフォームと
アクセラレータを見ましょう
ジェフが先ほど多くを
まとめてお伝えしましたので
私は最近の追加事項を
数点だけお伝えします
TensorFlow は IBM 社の PowerAI
ディストリビューションに内包されました
IBM 社が最近これを発表しました
深層学習に
IBM Power システムをご利用の場合
ソフトウェアパッケージに
TensorFlow が含まれました
ハイパフォーマンスと使用の容易さが
お気に召していただけるでしょう
Movidius Myriad 2 のような
アクセレーターもサポートしています
これは埋め込み型プラットフォームに
使用できます
TensorFlow のモデルを選択し
皆さんはこれらチップの上で
それを効果的に実行するのが可能です

Indonesian: 
untuk Anda mencoba pembelajaran
mendalam atau regresi lain.
Kami juga punya Pohon Keputusan
di Random Forest
untuk klasifikasi dan regresi.
Dan banyak lagi yang lain.
Ashish akan membahasnya nanti.
Platform dan Akselerator Baru
Mari kita lihat beberapa platform
dan akselerator baru.
Jeff menunjukkan beberapa
di antaranya tadi.
Saya hanya akan sebutkan beberapa
yang baru kami tambahkan.
TensorFlow dilibatkan
dalam distribusi PowerAl di IBM.
IBM mengumumkannya baru-baru ini.
Jadi, jika Anda memakai sistem IBM Power
untuk pembelajaran mendalam
ada paket perangkat lunak
yang berisi TensorFlow
yang memberikan kinerja tinggi
dan kemudahan penggunaan
yang Anda inginkan.
Juga didukung oleh akselerator,
seperti akselerator Movidius Myriad 2.
Ini bisa digunakan di platform tertanam.
Dibutuhkan model TensorFlow
yang bisa menjalankannya
dengan efisien pada chip ini.

Korean: 
딥 러닝이나 다른 회귀분석도
시도할 수 있게 해 줍니다
랜덤 포레스트에 판단 트리도 있습니다
분류와 회귀분서을 위해서 말이죠
그 외에도 다양합니다
잠시 후에 아쉬가 이에 대해서
더 자세히 이야기할 겁니다
새로운 플랫폼과
액셀러레이터를 살펴보죠
조금 전 제프가 많은 것을
보여줬습니다
전 그냥 최근에 저희가
추가한 몇 가지를 얘기하겠습니다
텐선플로우는 IBM PowerAI
분산에 포함되어 있습니다
IBM이 최근에 발표했죠
따라서 딥 러닝을 위해 IBM
Power 시스템을 사용 중이라면
이제 여러분이 필요한
고성능과 용이성을 주는
텐서플로우를 포함된 소프트웨어 패키지가
생긴 거죠
모비디우스 미리어드 2 엑셀러레이터와
같은 엑셀러레이터도 지원합니다
이는 임베디드 플랫폼에 사용될 수 있죠
따라서 이는 텐서플로우 모델을 이용해서
이 칩에서 실제로 효율적으로
운영할 수 있도록 해 주는 겁니다

Spanish: 
están ahí para que pruebes el aprendizaje
profundo u otras regresiones también.
También tenemos árboles de decisión
en Random Forest, una vez más
para la clasificación y la regresión.
Y muchos, muchos más.
[Ashi] debería estar hablando más...
daré más detalles sobre esto más tarde.
Veamos algunas nuevas 
plataformas y aceleradores.
Jeff mostró un montón de ellos
que estaban allí antes.
Sólo voy a mencionar algunos 
que hemos añadido recientemente.
TensorFlow está incluido 
en IBM's PowerAI distribution.
IBM anunció esto muy recientemente.
Por lo tanto, si está utilizando
IBM Power systems
para un aprendizaje profundo
ahora hay un paquete de software
que incluye TensorFlow
para ofrecerle un alto rendimiento 
y la facilidad de uso que le gustaría.
También es apoyado por aceleradores, 
como el Movidius Myriad 2 accelerator.
Esto puede ser usado 
en plataformas integradas.
Por lo tanto, usted puede tomar...
se necesita un modelo TensorFlow
y realmente le permite ejecutar 
de manera eficiente en estos chips.
Y más recientemente, ha habido soporte
para Qualcomm's Hexagon DSP.

Portuguese: 
estão aí para você experimentar
deep learning ou outras regressões.
Também temos árvores de decisão
no Random Forest,
para classificação e regressão.
E muito mais.
Ashish falará hoje com mais detalhes.
Vamos ver as novas
plataformas e aceleradores.
Jeff mostrou muitos, vários deles,
que estavam lá anteriormente.
Vou apenas mencionar alguns
que adicionamos recentemente.
O TensorFlow está incluído
na distribuição PowerAI da IBM.
A IBM anunciou recentemente.
Então, se você usa IBM Power Systems
para deep learning,
agora há um pacote de software
que inclui o TensorFlow
para te dar a alta performance
e facilidade de uso que você gostaria.
Também é suportado por aceleradores,
como o Movidius Myriad 2.
Isso pode ser usado
em plataformas integradas.
Ele pega um modelo do TensorFlow
e realmente lhe permite rodar
de forma eficiente nesses chips.
E, mais recentemente, tivemos suporte
para o Hexagon DSP da Qualcomm.

Chinese: 
能让你尝试深入学习或其他回归
Random Forest 里有决策树
来执行分类和回归的工作
还有很多其他的
Ashi 将深入地讨论这些
来看看一些新平台和加速器
Jeff 刚才展示了一些
之前存在着的
我想提及一些最近刚添加的
TensorFlow 被列入 IBM 的 PowerAI 分配里
IBM 最近才公布这项消息
若你在使用 IBM Power 系统操作深入学习
现在有包含着 TensorFlow 的软件套装
这让你能轻易并高效
地进行工作
它被加速器支持着，例如 Movidius Myriad 2 加速器
能在嵌入式平台里用上
你能利用 TensorFlow 的模型
有效率地在芯片上操作

English: 
as well.
We also have decision
trees and random forests,
again for classification
and regression.
And many, many more.
Ashish will be talking
more and in more
detail about these later today.
Let's look at some new
platforms and accelerators.
Jeff showed a whole
number of bunch of them
that were there earlier.
I'm just going to mention a
few that we've added recently.
TensorFlow's included in
IBM's PowerAI distribution.
IBM announced this
pretty recently.
So if you're using IBM power
systems for deep learning,
now there's a
software package that
includes TensorFlow to give you
high performance and the ease
of use that you
would like there.
It's also supported
by accelerators
such as the Movidius
Myriad 2 accelerator.
This can be used for
embedded platforms.
It takes the TensorFlow
modeling and really
allows you to run that
efficiently on these chips.
And most recently, there's been
support for Qualcomm's Hexagon

Indonesian: 
Yang paling baru,
ada dukungan untuk Hexagon DSP.
Untuk membahas tentang itu,
sambutlah Travis Lanier
dari Qualcomm, bergabung
dengan kita hari ini.
Travis, silakan.
Travis adalah Direktor Senior
Manajemen Produk di Qualcomm.
Terima kasih.
Kami sangat senang--
Kami sangat senang berkolaborasi
dengan Google
untuk mengoptimalkan TensorFlow
bagi Hexagon DSP.
Lihatlah video kecil yang diputar di sini.
Anda bisa melihat peningkatan
kinerja sebesar 8x
dengan memindahkannya dari CPU ke DSP.
Ingat, ini berlaku pada profil
daya telepon seluler.
Jadi, dayanya sangat efisien.
Pengolahan daya sangat tinggi
dibanding yang Anda lihat
untuk tugas neural jenis ini
dalam telepon seluler.
Berita baiknya, kami telah
mengoptimalkannya untuk Anda.
Jika Anda punya model TensorFlow
dan memindahkannya,
Anda bisa lihat peningkatan kinerja
seperti ini di Hexagon DSP.

Korean: 
그리고 가장 최근에는
퀄컴의 헥사곤 DSP도 지원됩니다
그리고 이에 대해 이야기하기 위해
트레비스를 초대 하겠습니다
오늘 저희와 함께하기 위해
퀄컴에서 오셨습니다
트레비스, 어서 오세요
트레비스는 퀄컴에서 시니어
제품 관리 디렉터로 있습니다
감사합니다
헥사곤 DSP를 위해 텐서플로우를
최적화하기 위해 Google과
함께 일하게 되어 신납니다
여기 위에 올라 온
이 작은 비디오를 보시면
CPU에서 DSP로 옮김으로써
약 8배의 성능 향상을
보실 수 있을 겁니다
그리고 이건 핸드폰의 파워 프로필
내에서 일어나고 있다는 점을 명심하세요
따라서 정말 파워 효율이 높은 거죠
핸드폰 상의 이런 종류의
인공 신경 업무에서 볼 수 있을 법한 것과
비교했을 때 높은 파워 프로세싱이죠
좋은 소식은 저희가 이미
최적화되도록 해 뒀다는 겁니다
따라서 텐서플로우 모델이 있고
그것을 옮겨 오면
저희 헥사곤 DSP에서도
유사한 유형의 성능 향상을
볼 수 있을 겁니다

English: 
DSP.
And to talk about
that, I would like
to welcome Travis Lanier
who's here with us
from Qualcomm today.
Travis is senior product
managing director at Qualcomm.
TRAVIS LANIER: Thank you.
We're very excited
to have collaborated
with Google to optimize
TensorFlow for Hexagon DSP.
If you take a look at this
little video we have looping up
here, you can see about
an 8x performance increase
by moving it from
the CPU to the DSP.
And keep in mind, this is
happening with a mobile phone's
power profile.
So this is very power
efficient, really high
power processing
compared to what
you've been able to
see for these type
neural tasks on a mobile phone.
Now the good news is
that we've already
done the optimization for you.
So if you have a TensorFlow
model and you move it over,
you should be able to see a
similar type of performance

Portuguese: 
Para falar sobre isso,
gostaria de chamar o Travis Lanier
da Qualcomm, que está aqui conosco hoje.
Gostaria de... Travis, por favor.
Travis é Diretor Sênior de Gerenciamento
de Produto na Qualcomm.
Obrigado, estamos muito felizes...
pela colaboração com a Google
para otimizar o TensorFlow
para o Hexagon DSP.
Ao assistir este pequeno vídeo
rodando aqui,
podem ver cerca de 8x 
de aumento de performance
ao sair do CPU para DSP.
Saibam que isso está acontecendo
dentro do perfil de energia de um celular.
Então, é muito eficiente.
É processamento em alta potência,
comparado ao que podem ver
para esses tipos
de tarefas neurais em um celular.
A boa notícia é 
que já otimizamos para vocês.
Então, se você tem um modelo
TensorFlow e quiser movê-lo,
terá um tipo semelhante
de melhora de performance
no Hexagon DSP.

Chinese: 
最近还有 Qualcomm Hexagon DSP 的支持
我想请来自 Qualcomm 的 Travis Lanier
与大家聊起这点
Travis, 请上前来
Travis 是 Qualcomm 的高级产品管理层总监
谢谢，我们非常兴奋
我们非常高兴与 Google 合作
优化 TensorFlow
为 Hexagon DSP服务
若你观看这里的视频
你能看见8倍的性能提高
只是从 CPU 转移到 DSP
请注意，这是手提电话上的功耗配置
它非常节能
相比在其他手提电话上
处理较复杂的任务
它拥有非常高效率的处理能力
好消息是我们已经为你们完成优化了
若你有 TensorFlow 模型而将它用在他处
你应该可以在 Hexagon DSP 上
看见类似的加强表现

Japanese: 
最近 Qualcomm 社の
Hexagon DSP にサポートが付きました
では Qualcomm 社のトラビスを迎え
お話を聞きましょう
トラビス どうぞこちらへ
トラビスは Qualcomm 社シニアプロダクト
マネージメントディレクターです
ありがとうー
Hexagon DSP 用に
TensorFlow を最適化するため
Google 社と共同していることに
嬉しく思います
ここの上でループしている動画を見ると
CPU から DSP への移行により約８倍の
パフォーマンス向上を得たのがおわかりですね
これは携帯電話の
電力プロファイル内で起きていることです
大変電力効率が良いです
携帯電話上でのニューラルタスクといった
タイプに見られるものと比べると
非常にハイパワーの処理です
さて良いことに皆さんのために
私達が最適化を済ませてあります
お持ちの TensorFlow モデルを動かせば
弊社の Hexagon DSP 上と類似した
パフォーマンス向上が見られるはずです

Spanish: 
Y para hablar de eso, me gustaría
dar la bienvenida a Travis Lanier
que está aquí con nosotros
de Qualcomm, hoy.
Quisiera... Travis, ven por favor.
Bien, Travis es un Director Senior 
de Gestión de Productos de Qualcomm.
Gracias. Estamos muy emocionados...
estamos muy emocionados de haber
colaborado con Google
para optimizar TensorFlow
para Hexagon DSP.
Si echan un vistazo a este pequeño video
que tenemos aquí
pueden ver un aumento
del rendimiento de 8x
moviéndolo de la CPU al DSP.
Tengan en cuenta, que esto está sucediendo
en el perfil de energía de un móvil.
Por lo tanto,
esto es muy eficiente en energía.
El procesamiento de alta potencia
en comparación
con lo que puede ser capaz de ver
para estos tipos de tareas neuronales
en un teléfono móvil.
Ahora, la buena noticia es que 
ya hemos hecho la optimización.
Por lo tanto, si tiene un modelo
TensorFlow y lo mueve
debería ser capaz de ver
un tipo similar de mejora de rendimiento
en nuestro Hexagon DSP.

Indonesian: 
Kami akan menjadikan perangkat lunak ini
sumber terbuka, termasuk driver.
Ini akan tersedia di platform
pengembangan DragonBoard 820 kami.
Terima kasih.
Terima kasih.
Terima kasih, Travis.
Jadi, Pete Wharton akan membahas
dukungan kami
untuk seluler dan embeded.
Jelas sangat penting.
Anda bisa dengar pembahasannya hari ini.
Kami peduli tentang kinerja
dalam berbagai cara.
Anda melihat beberapa di antaranya.
Anda memikirkan TensorFlow
sebagai bahasa pemograman
saat Anda membangun model luar biasa ini,
cara mana lebih baik
untuk melihat kinerja selain
dengan teknik compiler compilation.
Hari ini, kami mengumumkan XLA
yang merupakan TensorFlow
Compiler eksperimental.
Benar-benar dibangun untuk TensorFlow.
Jadi, sebuah penyusun untuk TensorFlow.
XLA singkatan dari Accelerated
Linear Algebra.
Pada dasarnya, mempercepat model
yang dibuat untuk TensorFlow.
Dia bertugas mengambil grafik
dan menyusunnya

Korean: 
드라이버를 포함한 이 소프트웨어는
오픈 소스로 공개될 것이구요
저희 드래곤보드 820 개발
플랫폼에서 이용 가능할 겁니다
감사합니다
감사해요
고마워요 트레비스
그럼 피트가 모바일과
임베디드에 대한 저희의 지원에 대해
자세히 설명해 줄 겁니다
분명 정말 중요하죠
오늘 피트의 발표를
나중에 더 보실 수 있습니다
저희는 여러 방면에서
성능을 중요시 합니다
이 영역의 일부를 보셨죠
텐서프로우를 프로그래밍 언어로 생각하고
이렇게 훌륭한 모델을 만들어가면서
컴파일러 컴필레이션 기술을 이용하는 것보다
성능을 보기에 더 나은 방법은 없겠죠
따라서 오늘 저희는 XLA
즉 실험적인 텐서플로우
컴플라이어를 발표합니다
텐서플로우를 위해서 만들어 진 겁니다
텐서플로우를 위한 컴플라이어이죠
XLA는 액셀러레이티드
선형 방정식의 줄임말입니다
기본적으로 텐서플로우를 위해
만드는 모델을 가속화 시키는 거죠
그래프를 가지고 여러분이 운영하고 있는

Chinese: 
我们将它设为开放源码，包括驱动程序
你将可以在我们的 DragonBoard 820 研发平台上获得
谢谢
谢谢
谢谢 Travis
Pete Wharton 将更详细地解释
移动和嵌入式平台的支持
这当然非常重要了
待会在他的演讲中将透露更多
我们在个方面都非常注重效能
你见识过了一些
当你把 TensorFlow 作为程式语言时
当你在建立奇妙的模型时
观察效率最好的方法就是看编译器技术
今天我们想宣布 XLA
这是 TensorFlow 的实验性编译器
它完全为 TensorFlow 建造
专门为 TensorFlow 存在的编译器
XLA 代表加速线性代数
基本上是为 TensorFlow 的模型加速
它提取图标后再进行汇编

Portuguese: 
Vamos deixar este software
em código aberto, incluindo o driver.
Estará disponível na nossa plataforma
de desenvolvimento DragonBoard 820.
Obrigado.
Obrigado.
Obrigado, Travis.
Pete Warden falará com mais detalhes
sobre nosso suporte
para celulares e sistemas embutidos.
É, claramente, muito importante.
E poderão ver mais
em sua palestra mais tarde.
Nos preocupamos com a performance
em muitas formas.
Vocês viram algumas dessas áreas.
Ao pensar no TensorFlow
como linguagem de programação
enquanto constroem
esses modelos incríveis,
a melhor maneira de ver performance
é através das técnicas 
de compilação do compilador.
Estamos anunciando hoje o XLA,
um compilador TensorFlow experimental.
Foi realmente construído para TensorFlow.
Ou seja, um compilador para TensorFlow.
XLA é a abreviação
de Álgebra Linear Acelerada.
Basicamente, acelera os modelos
que você faz para o TensorFlow.
Ele pega um gráfico e o compila

Japanese: 
私達はドライバーも含めこのソフトウェアを
オープンソース化する予定です
DragonBoard 820
開発プラットフォームで利用可能になります
ありがとう
ありがとう
ありがとう トラビス
ピートがモバイルと埋め込み向けの
サポートの詳細をお話します
明らかに非常に重要です
彼が今日後ほどお話します
私達はいろいろな方法で
パフォーマンスに注意を払います
いくつかの領域を見てきました
TensorFlow を
素晴らしいモデルを構築する
プログラム言語として考えるとき
コンパイラ、コンパイル技術が
パフォーマンスを見るのに一番良い方法です
今日ここに XLA を発表します
実験的な TensorFlow コンパイラです
TensorFlow 専用に
構築されたコンパイラです
XLA は
Accelerated Linear Algebra の頭文字です
要は TensorFlow で作る
モデルの種類を加速します
基本的にグラフを取り
アセンブリコードにコンパイルします

English: 
uplift on our Hexagon DSP.
We will be open sourcing this
software, including the driver,
and it'll be available on our
Dragonboard 820 development
platform.
Thank you.
RAJAT MONGA: Thank you, Travis.
So Pete Warden will be
talking in more detail
about our support for
mobile and embedded.
It's clearly very,
very important,
and you can see more in
his talk later today.
So we care about
performance in many ways.
You've seen some of those areas.
As you think of TensorFlow
as a programming languages
here building these
amazing models,
what better way to look at
performance than the compiler
compilation techniques?
So today we are
announcing XLA, which
is an experimental
TensorFlow compiler.
It's really built
for TensorFlow,
so a compiler for TensorFlow.
XLA stands for accelerator
linear algebra,
basically accelerates
the kinds of models
you make with TensorFlow.
It basically takes a graph
and compiles that down

Spanish: 
Liberaremos el código de este software,
incluyendo el controlador.
Estará disponible en nuestra plataforma
de desarrollo DragonBoard 820.
Gracias.
Gracias.
Gracias, Travis.
Bien, Pete [Wharton] estará hablando 
con más detalle acerca de nuestro soporte
para móviles e integrados.
Es claramente muy, muy importante.
Y usted puede ver más 
en su charla más tarde hoy.
Nos preocupamos 
por el rendimiento de muchas maneras.
Han visto algunas de esas áreas.
Si pensamos en Tensorflow 
como un lenguaje de programación
mientras armamos 
estos increíbles modelos
qué mejor forma de ver el funcionamiento
que con las técnicas
de compilación del compilador.
Así que, hoy, estamos anunciando XLA,
que es un compilador 
experimental de TensorFlow.
Está realmente construido para TensorFlow.
Por lo tanto, un compilador de TensorFlow.
Y te permite... XLA significa
Álgebra Lineal Acelerada.
Básicamente, acelera los tipos de 
modelos que usted hace para TensorFlow.
Básicamente toma un gráfico, 
y compila eso abajo

Spanish: 
del código de ensamble 
para la arquitectura que le importa
para el tipo de chip
que usted está ejecutando.
Y puede usarse para compilaciones
en el momento justo
por ejemplo, 
trabajos de capacitación, etcétera
ya sea en el centro de datos
o en otro lugar.
Y también para una compilación adelantada
donde apenas tomando las gráficas
compilando abajo al código, 
y entonces solo enviar el código
y no preocuparse de cualquier otra cosa.
Nuevamente, [Chris y Todd] 
hablarán de ello más tarde esta mañana.
Por lo tanto, hay mucho más.
Y con eso, me gustaría dar 
la bienvenida a Megan Kacholia
[Directora de ingeniería de Brain], 
y que ha estado liderando
nuestros esfuerzos de rendimiento 
para hablar de TensorFlow en profundidad.
Gracias Rajat.
Quiero comenzar simplemente
hablando un poco más del rendimiento.
Así que, como hemos hablado, 
TensorFlow está realmente hecho
para la comunidad en general.
Y eso abarca muchos casos
de uso diferentes
ya sea que esté viendo las cosas 
desde la perspectiva de la investigación
o pensando en entornos 
solo en producción y lo que eso significa.
En el lado de la investigación, ser capaz
de tener mejoras de rendimiento
obtener más y más rendimiento
de TensorFlow
y de las máquinas 
que estamos usando por debajo

Japanese: 
実行しているチップの種類に対し
重要なアーキテクチャ用です
実行時コンパイラ用にも使えます
例えばトレーニング作業負荷でとか
データセンター内であれ
どこであれ使えます
事前コンパイラ用にも
そこでただグラフを取り
コードにコンパイルして
何の心配もなくそのコードをただ送れます
クリスとトッドが詳細を後でお話します
まだ多くのことがあります
ここでメーガン・カチョリアを
お迎えしまょう
Brain 社エンジニアディレクターで
TensorFlow を伝えるため
性能向上の努力を先導してきた人です
ありがとう ラジャット
パフォーマンスについて
掘り下げてお話しましょう
お伝えしたようにTensorFlow は
一般コミュニティ向けに作られています
使用事例は広範囲です
研究の観点から見る場合も
あるいは稼働環境や
その意味の場合もです
研究側では
プラットフォームが改善することで
水面下で使用する TensorFlow とマシンから
より優れた性能を得ることで

Chinese: 
为你的架构集合程式
专门协助你正在操作的芯片
它能用在即时编译上
例如训练工作量时
不管在数据中心或者别处
也能在提前编译时用上
只需提取图标
进行源码汇编，然后发送源码
不需担心其他事情了
Chris 和 Todd 等会儿会解释更多
还有更多的细节还没提起
我想邀请 Megan Kacholia
她是带领我们的功能工作
核心工程总监来细谈 TensorFlow
谢谢 Rajat
我想由功能开始谈起
我们谈到了 Tensorflow
是为了群体而设
它能在不同范围被用上
不管是研究领域
或这生产环境
在研究方面，能拥有改良的功能
让 TensorFlow 更有效
以及更有效地利用相对的机器

Korean: 
칩에서 중요한 건축을 위한
조합 코드로 컴파일하는 거죠
그리고 이건 JIT 컴파일로
이용될 수 있어요
예컨대 워크로드 트레이닝 등
데이터 센터 안이든
다른 곳이든 말입니다
또한 어헤드 오브 타임 컴파일의 경우
그냥 그래프를 가지고
코드로 컴파일한 후
그 코드를 출하하면 되고
다른 건 걱정할 필요가 없죠
크리스와 토드가 나중에
이에 대해 얘기할 겁니다
더 많은 부분이 있어요
이제 메건 카콜리아를 소개하겠습니다
두뇌 분야 엔지니어링
디렉터로써 성능을 위한
노력을 주도해 왔고
텐서플로우에 대해 자세히 얘기할 겁니다
고마워요 라자트
전 성능에 대해 좀 더
자세히 말해 볼게요
저희가 말씀 드렸듯이
텐서플로우는 대체로
커뮤니티를 위해 만들어졌죠
이는 다양한 사용 사례들을 포함합니다
연구적 관점에서 보든
혹은 성능 환경과 그 의미에 대해
생각하든 말이죠
연구 부분에서는 성능을
향상시킬수 있다는 것
텐서플로우와 기계에서
더 많은 성능을 얻고
그 기저를 사용한다는 것은

Indonesian: 
menjadi kode rakitan
untuk arsitektur penting
untuk jenis chip yang Anda jalankan.
Contohnya, itu bisa dipakai untuk
in time compilation, beban kerja
pelatihan, dan sebagainya
baik di pusat data atau tempat lainnya.
Sebelum penyusunan waktu,
yang hanya memakai grafik dan menyusunnya
menjadi kode, lalu mengirimnya
tanpa perlu cemas tentang hal lain.
Chris dan Todd akan membahasnya pagi ini.
Akan ada lebih banyak lagi.
Maka, saya mau menyambut
Megan Kacholia, Direktur Teknik di Brain
yang memimpin pekerjaan kinerja kami
untuk membahas TensorFlow secara mendalam.
Terima kasih Rajat.
Saya ingin mulai dengan membahas
lebih mendalam tentang kinerja.
Seperti yang dibicarakan, TensorFlow
dibuat untuk komunitas luas.
Dan mencakup banyak hal,
baik dari perspektif penelitian
atau perspektif lingkungan
produksi dan artinya.
Pada bidang penelitian,
mampu meningkatkan kinerja--
mencapai kinerja lebih dari TensorFlow

English: 
to assembly code for
the architecture that
matters to you for the kind
of chip that you are running.
And it can be used for
just in time compilation,
for example in
training workloads,
et cetera, whether
in the data center
or elsewhere, and also for
ahead of time compilation
where it just takes the graphs,
compiles it down to code,
and then you can
just ship the code
and not worry about
anything else.
Again, Chris and Todd
will be talking about it
later this morning, so
there's a lot more there.
And with that, I
would like to welcome
Megan Kacholia, engineering
director at Brain who's
been leading our
performance efforts to talk
about TensorFlow in depth.
MEGAN KACHOLIA: Thanks, Rajat.
I want to start just by diving
a bit more into performance.
So as we've talked
about, TensorFlow
is really made for the
community at large.
And that spans a lot
of different use cases,
whether you're looking at things
from the research perspective
or thinking about just
production environments
and what that means.
On the research side, being
able to have performance
improvements, get more and more
performance out of TensorFlow
and out of the machines
you're using underneath it

Portuguese: 
para montar o código da arquitetura
importante para você,
e para o chip que está rodando.
Pode ser utilizado apenas
para o momento da compilação,
como treinamento
de cargas de trabalho e outros,
seja no data center ou outro lugar.
E também após o momento
da compilação, onde ele pega os gráficos,
compila-os para o código,
e então pode-se enviar o código
sem se preocupar com mais nada.
Chris e Todd falarão
sobre isso mais tarde.
Então, há muito mais aí.
E, com isso, quero dar
boas-vindas a Megan Kacholia,
Diretora de Engenharia da Brain,
que lidera nossos esforços em performance,
para falar mais sobre o TensorFlow.
Obrigada, Rajat.
Quero começar falando
mais a fundo sobre performance.
Como já dissemos, o TensorFlow foi feito
para a comunidade em geral.
E isso abrange diferentes casos de usos,
quer você veja as coisas
pela perspectiva da pesquisa,
ou pense sobre ambientes
de produção e o que isso significa.
No lado da pesquisa, pode-se
ter melhoras de performance,
obter mais e mais
performance do TensorFlow

Spanish: 
le da mucha flexibilidad.
Ya sea que quieran iterar más rápidamente
quieran entrenar modelos más rápido,
tal vez quieran ejecutar
más experimentos en paralelo.
Por lo tanto, es muy importante
para nosotros poder continuar
mejorando el rendimiento 
para proporcionar esa flexibilidad
en el lado de la investigación.
Pero tampoco queremos 
olvidar el lado de la producción.
Y para la producción, hay de nuevo,
muchos casos de uso diferentes.
Ya sea que estén buscando
grupos de servidores a gran escala
o también pensando en casos 
de usos integrados
como los que hemos hablado.
Ya sea en el dispositivo,
en un dispositivo móvil
o en algún otro dispositivo más pequeño 
con una configuración especial.
Y bien, estamos pensando en un montón
de diferentes tipos de equipos
y la baja latencia de servicio
también es parte de esto.
Creo que muchas veces, 
la gente piensa en TensorFlow
y piensan sólo 
en la perspectiva de la formación.
Pero hemos hecho mucho trabajo
en las cosas de código abierto
a través de nuestras versiones iniciales
que proporcionan
formas de hacer servicio, también.
Este es el servicio de latencia baja 
que pueden usar
en una configuración de producción.
Pero qué bueno es hablar de rendimiento
sin mirar realmente los números.
Pero, esto es sólo configuración simple
en primer lugar.
Permítanme explicar algo de esto.
Bien, lo que estamos viendo aquí es 
que hemos revisado nuestra implementación
del modelo Inception-v3.

Japanese: 
フレキシビリティがもたらされます
反復やモデルのトレーニングの
速度向上を意図する場合にも
並行的により多くの実験をする場合もです
研究側でフレキシビリティを提供するため
継続したパフォーマンス向上が
私達にとって重要です
しかし実稼働側も同様に重要です
稼働でもまた
使用事例は広範囲です
大規模なサーバーファームでの事例や
お話したような埋め込み型の使用事例
またデバイス上でや
モバイルデバイス上での実行
特別設定のその他小さな
デバイス上での実行事例などです
その場合もまたさまざまなタイプの
ハードウェアがあり
低遅延での提供もこの一部です
皆さんは TensorFlow を大抵
トレーニングの観点から考えますが
私達は初回リリースを通じて
オープンソースで多くの仕事をしてきて
それが提供の方法もたらしてくれました
それが本番状況で使用できる
低遅延の提供です
良いことは実際に数を見ずに
パフォーマンスをお伝えできることです
最初に状況設定があります
ご説明しますと
これは Inception-v3 モデル実装の
修正経過です

Chinese: 
让你更有伸缩性
不管是想要更快地重复
或者更快地训练模型，
又或者想同时间运行更多实验
能在研究上继续改善效率
来提供伸缩性
对我们来说非常重要
当然不能忘记生产方面
生产上有诸多不同的用途
不管是大规模服务器群
或者之前提起的嵌入式用例
不管是移动设备
或是有着特别装置的小设备
即使是这样
我们考虑了许多不同的硬件
低延迟服务也是其中之一
很多时候当人们想起 TensorFlow 时
他们只想到训练
但我们在开放源码里下了许多功夫
通过初步发行
提供服务功能
这是你能在生产设置里操作的低延迟服务
不看看数据的话
就无法谈论效能了
这是个小设置
让我来解释
大家所看到的是我们 Inception-v3 模型
所修改后的执行

Korean: 
많은 융통성을 가져다 줍니다
좀더 빨리 반복하길 원한다던지
모델을 더 빨리 훈련시키고 싶다던지
동시에 더 많은 실험을 싶던지 말이죠
따라서 연구 측면에서
이러한 융통성을 제공하는
성능을 계속 향상시킬 수 있다는 것은
아주 중요합니다
하지만 생산 부분도 잊어서는 안 되겠죠
생산의 경우 또다시
다양한 사용 사례가 있죠
큰 스케일의 서버 팜을 보든
아까 말씀 드렸던 임베디드
사용 사례에 대해 생각하든 말이죠
기기 상에 있든 휴대 기기에서 운영되든
혹은 특정한 셋업이 있는
더 작은 기기를 사용하든 말이죠
그리고 아주 많은 다양한 유형의
하드웨어를 말하고 있는 겁니다
저지연성 서빙도 일부분이겠죠
많은 경우 사람들이 텐서플로우를
훈련적 관점에서만 보는 것 같아요
하지만 저희는 오픈 소스에서
서빙을 하는 방식도 제공하는
초기 발표를 통해
많은 작업을 해 왔습니다
이 저지연성 서빙은
생산 셋업에서도 사용할 수 있죠
하지만 정말 좋은 점은
숫자를 보지 않은 채
성능을 이야기할 수 있다는 점입니다
그럼 이것은 그냥 처음 셋업이었구요
이에 대해 설멍을 해 볼게요
여기서 우리가 보고 있는 것은
인셉션 v3 모델의 구현을
수정한 것입니다

Portuguese: 
e das máquinas que utilizamos por trás,
trazendo muita flexibilidade.
Você pode iterar mais rapidamente,
treinar modelos mais rapidamente,
ou rodar mais experimentos em paralelo.
Então, é muito importante para nós
poder continuar a melhorar
em performance
para proporcionar flexibilidade 
no lado da pesquisa.
Mas não queremos esquecer
o lado da produção também.
E, para a produção,
também há muitos casos de uso.
Seja para lidar com farms
de servidores em larga escala
ou pensar em casos de uso embutidos
como já falamos anteriormente.
Seja em dispositivo,
em um dispositivo móvel,
ou outro tipo de dispositivo menor
que tenha uma configuração especial.
E, mesmo assim, pensamos
sobre vários tipos de hardware diferentes,
e serviço de baixa latência
que também são parte disso.
Várias vezes acho que as pessoas
veem o TensorFlow
somente pela perspectiva do treinamento.
Mas fizemos muito trabalho
em código aberto
nos lançamentos iniciais,
que promovem formas
de fazer serviço também.
Este é um serviço de baixa latência 
para configuração de produção.
Mas de que adianta falar
sobre performance
sem falar, de fato, sobre números?
Esta é uma pequena
introdução à configuração.
Deixe-me explicar.
Temos aqui nossa revisão da implementação
do modelo Inception-v3.

English: 
gives you a lot of flexibility.
Whether it's want to
iterate more quickly,
you want to train
models faster, maybe
you want to run more
experiments in parallel.
So it's very
important for us to be
able to continue to improve
on performance to provide
that flexibility on
the research side.
But we don't want to forget
about the production side,
as well.
And for production there's,
again, many different use
cases.
Whether you're looking at
large scale server farms,
or also thinking about
embedded use cases
like we've talked about.
Whether it's on device,
running on a mobile device,
or some other kind
of smaller device
that has a special setup.
And again, even
then we're thinking
about lots of different
types of hardware,
and low latency serving
is also part of this.
I think a lot of times
people think of TensorFlow
and they think of just
the training perspective,
but we've done a lot of
work in open-source things
through our initial
releases that provide
ways of serving as well.
This is low latency
serving that you
can use in a production setup.
But what good is it to
talk about performance
without actually
looking at numbers?
So this is just a
little setup first.
Let me explain some of this.
So what we're
looking at here is we
have revised our implementation
of the Inception v3 model,

Indonesian: 
dan dari mesin yang dipakainya,
akan memberi banyak fleksibilitas.
Baik untuk pengulangan lebih cepat,
melatih model lebih cepat
atau menjalankan
beberapa eksperimen bersamaan.
Jadi sangat penting bagi kami
untuk terus meningkatkan kinerja
untuk menyediakan fleksibilitas tersebut
dalam penelitian.
Tapi kami tidak ingin melupakan
bagian produksi juga.
Untuk produksi, ada banyak penggunaan.
Baik untuk server skala besar atau
penggunaan tertanam yang kita bahas tadi.
Apakah dalam perangkat,
bekerja dalam perangkat seluler
atau perangkat kecil lain
yang memiliki setup khusus.
Lalu, kami berpikir
tentang berbagai perangkat keras
dan porsi latensi juga bagian dari ini.
Sering kali, orang ingat TensorFlow
dan mereka hanya berpikir
dari perspektif pelatihan.
Tapi kami banyak bekerja untuk sumber
terbuka melalui rilis awal kami
yang menyediakan cara
untuk melakukan pelayanan juga.
Ini porsi latensi rendah yang bisa dipakai
dalam setup produksi.
Tapi apa gunanya bicara tentang kinerja
tanpa melihat angka sebenarnya.
Jadi, ini hanya setup kecil.
Saya akan menjelaskannya.
Kita lihat di sini, kami telah merevisi
implementasi model Inception-v3 kami.

Chinese: 
我们正在让它成为开放源码
几个星期内就会发布
这里的图标都用这那个模型
我们在看这两个不同的机器
在NVIDIA DGX-1 里做了基准
一个非常有力的机器，我们能看见 TensorFlow
用上更快的 GPU 时的延展
还有看看更为普遍的 K80
尤其是市场上
各种云计算平台
这只是理想延展
来看看 TensorFlow 的表现
第一个要看的是训练
这个 Inception-v3 模型和人造数据
我觉得很酷的是
当你从 K80 转移到更有力的机器时
例如 DGX-1，你能看见这 8个 GPU里
令人佩服的延展数据
当然不能单看人工数据
虽然那是行业里的基准
我们也想了解利用真实数据工作时
真正的表现，我猜那正是
大家利用来建造模型

Portuguese: 
Estamos trabalhando
para transformar em código aberto,
e teremos isso em poucas semanas.
Todos os gráficos mostrados aqui
estão utilizando esse modelo por trás.
E estamos vendo dois tipos de máquinas.
Fizemos uma avaliação comparativa
no NVIDIA DGX-1,
uma máquina muito poderosa,
para ver como o TensorFlow
realmente dimensiona 
em GPUs muito mais rápidos.
E, também nos K80s,
que são mais disponíveis,
especialmente nas plataformas
de computação em nuvem
que estão por aí.
E esse é o dimensionamento ideal.
Vamos ver como 
o TensorFlow empilha as camadas.
A primeira coisa que vemos é,
novamente, o treinamento,
no modelo Inception-v3,
com dados sintéticos.
Acho que a coisa mais legal aqui
é que, mesmo se você mudar do K80
para uma máquina muito mais poderosa,
como um DGX-1, ainda terá
números impressionantes
de dimensionamento 
em todos os oito GPUs mostrados aqui.
Mas não é bom olhar somente
dados sintéticos.
Sei que isso é geralmente utilizado
para avaliação comparativa na indústria.
Mas também queremos entender
como as coisas de fato funcionam
com dados reais, que é o que
as pessoas estão utilizando
para construir seus modelos,

Spanish: 
Y actualmente estamos trabajando
en el código abierto
y lo sacaremos dentro de unas semanas.
Pero todos los gráficos mostrados
están usando ese modelo bajo las cubiertas
y luego estamos mirando
a través de dos tipos de máquina.
Así que, hemos hecho 
algunos benchmarking en la NVIDIA DGX-1,
una máquina muy, muy potente, 
para que podamos ver cómo TensorFlow
realmente escala cuando están usando
muchos, muchos GPUs más rápido.
Y también mirando a K80s, 
ya que están más ampliamente disponibles
especialmente en todas las diversas
plataformas de computación Cloud
que están ahí fuera.
Y esto es sólo la escala ideal.
Así que, vamos a ver 
cómo TensorFlow trabaja.
Así que, lo primero que estamos viéndolo
otra vez, mirándolo con entrenamiento...
este modelo Inception-v3...
con datos sintéticos.
Creo que lo interesante es
que incluso cuando cambias de un K80
a una máquina mucho más potente
como un DGX-1, sigues viendo 
números de escala impresionantes
en las 8 GPUs que estamos mostrando aquí.
Pero no es bueno simplemente
mirar los datos sintéticos.
Sé que es lo que generalmente se utiliza
para el benchmarking en la industria.
Pero también queremos entender
cómo funcionan las cosas
con datos reales, ya que eso 
es lo que estoy suponiendo
que la gente está usando
para construir sus modelos

Indonesian: 
Kami berusaha menjadikannya sumber terbuka
dan akan segera menerbitkannya.
Tapi semua grafik yang ditunjukkan di sini
memakai model tersebut tanpa terlihat.
Kita lihat ada dua tipe mesin.
Kami telah melakukan pematokan
pada NVIDIA DGX-1, mesin yang sangat hebat
jadi kita bisa lihat bagaimana
TensorFlow akan berskala
saat Anda memakai GPU
yang jauh lebih cepat.
Dan melihat K80 juga,
karena lebih umum tersedia
khususnya dalam berbagai platform
komputasi Cloud di luar sana.
Ini hanyalah skala ideal.
Kita lihat penyusunan TensorFlow.
Hal pertama yang kita lihat,
melihatnya dengan pelatihan--
model Inception-v3 ini--
dengan data sintetis.
Saya rasa hal yang paling keren
adalah bahkan saat Anda berpindah
dari K80 ke mesin yang lebih hebat
seperti DGX-1, Anda masih melihat
angka skala yang luar biasa
dalam 8 GPU yang kami perlihatkan di sini.
Tapi tak baik hanya melihat data sintetis.
Saya tahu ini biasa dipakai
sebagai patokan di industri ini.
Tapi kami juga ingin memahami
cara kerja dengan data sebenarnya
karena saya anggap
itu yang dipakai untuk membangun model

English: 
and we're currently working
on open sourcing that,
and we'll have that
out in a few weeks.
But all of the graphs shown
here are using that model
under the covers.
And then we're looking across
two different machine types.
So we've done some benchmarking
on the NVIDIA DGX-1, a very,
very powerful
machine, so that we
can see how TensorFlow
really scales when you are
using much, much faster GPUs.
And also looking at K80s, since
those are much more widely
available, especially
in all the various cloud
computing platforms
that are out there.
And this is just
the ideal scaling.
So let's see how
TensorFlow stacks up.
So the first thing
we're looking at
is, again, looking at training
this Inception v3 model
with synthetic data.
I think the really
cool thing to call out
here is that even when
you're moving from a K80
to a much more powerful
machine like a DGX-1,
you're still seeing
impressive scaling
numbers across the eight
GPUs that we're showing here.
But it's not good to just
look at synthetic data.
I know that's what is
generally used for benchmarking
in the industry,
but we also want
to understand, how
do things actually
perform with real data?
Since that's what
I'm assuming people
are actually using for
building their models,

Korean: 
현재 오픈 소스화 시키는
작업을 하고 있고
몇 주 후에 발표하게 될 겁니다
하지만 여기 보이는 모든 그래프는
숨겨진 이 모델을 사용하고 있죠
그리고 두 가지 유형의
머신을 보고 있습니다
NVIDIA DGX-1 상에서
밴치마킹을 했고
이는 아주 강력한 머신으로
훨씬 빠른 GPU를 사용할 때
어떻게 텐서플로우가 실제로
척도를 재는지 볼 수 있죠
또한 K80를 보면 이는
훨씬 더 많이 사용되고 있습니다
특히 이용할 수 있는 모든 다양한 클라우드
계산 플렛폼 상에서 말이죠
그리고 이는 이상적인 척도입니다
그러면 텐서플로우의 성능을 살펴보죠
처음으로 볼 것은 다시 한번
훈련 상에서 보는 것이고
이건 인셉션 v3 모델이고
임의 데이터입니다
제 생각에 여기서 정말 멋진 것은
K80에서 DGX-1 같은 훨씬 더
강력한 머신으로 옮길 때조차도
여전히 여기서 우리가
보고 있는 8 GPU에 걸처
엄청난 척도 수치를 보인다는 거죠
하지만 임의 데이터만 보는 건 별로이죠
이것이 회사에서 벤치마킹을 위해
일반적으로 사용되는 것임을 압니다
하지만 우리는 실제 데이터로
실제로 어떠한 성능을
보이는지 이해하길 원하죠
이것이 바로 사람들이
모델을 만들고 생산 셋업을

Japanese: 
現在オープンソース化の作業中で
数週間のうちに完成しますが
この表示グラフは全部
隠れたそのモデルを使用しています
また２種類のマシンで見ています
非常に強力なマシン NVIDIA DGX-1 で
ベンチマークを行いました
高速 GPU を使用したときの
TensorFlowas の真の性能を測るためです
またクラウドコンピューティング
プラットフォームが多種ある中
広範囲に可能な K80 も調べました
これは理想的なスケーリングです
TensorFlow の達成域を見ましょう
まず合成データでの Inception-v3 モデルの
トレーニングでわかることは
特に良いこととして
K80から遥かに強力な DGX-1 のような
マシンに移行しても
ここで示している8 GPU 間で
素晴らしい
スケーリング数であることがわかります
しかし合成データを見るだけでは足りません
これは業界で一般的に
ベンチマークに使用されていますが
実際の性能を現実のデータで
把握する必要があります
それにより皆さんが実際
モデルを構築したり

Japanese: 
稼働設定を実行したり
研究を行うものだと思うからです
では現実のデータをここに落としましょう
合成データから
現実のデータにしても
スケーリングはとても良いことがわかります
TensorFlow はこの 8GPU 間で
強力な DGX-1 の状況を見ても
K80 のようなものを見ても
同様にスケールは良いです
しかし単体のマシン設定だけではありません
分散性能も考える必要があります
分散したパフォーマンスに対しても
同様に向上に取り組み
スケーリングを改善し
使用マシンがどれであれ
TensorFlow を最活用し
必要な利益やフレキシビリティを
もたらせます
ここで 64 GPU 間で
58 倍の速度向上を示しています
これが TensorFlow 1.0 の
リリースをお伝えしたとき
ラジャットが引用した数です
パフォーマンスの面で
私達ができた改善のすべてと
フレキシビリティや
コミュニティに還元できるという選択肢を
嬉しく思います
では研究と実稼働での例を
少し詳しくお話したいと思います

Chinese: 
和操作生产设置以及研究
来看看这方面如何
你能看见当我们从人工数据移动至真实数据
延展性还是非常的了不起
TensorFlow 在 8个GPU的延展性非常好
不管是在强大的 DGX-1 设置
或是 K80
不能单看单部机器设置
我们得观察分配功效
分配功效方面我们下了很多功夫
来改善延展性和确保
不管你使用什么机器
TensorFlow 都能操作自如
并带给你所需要的益处和伸缩性
我们展现着64 GPU里 58倍的加速
这是谈起 TensorFlow 1.0 发布
Rajat 所报告的数据
所有在功效上的改善和伸缩性
和提供给群体的选择
都让人感觉振奋
我想说说研究

Korean: 
운영하고 연구하는데에
실제로 사용하는 것이기 때문이죠
그럼 그것도 여기 적용해 볼게요
임의 데이터에서 실제 데이터로
옮겼을 경우에 조차도
척도가 여전히 훌륭한 게 보이시죠
텐서플로우는 8 GPU에 걸쳐
척도를 잘 하고 있죠
강력한 DGX-1 셋업에서도
K80 같은 경우를 보더라도 그렇죠
하지만 이것은 단순히
단일 머신 셋업이 아닙니다
분산환경 성능에 대해서도 생각해 봐야죠
분산환경 성능에서도 이를 향상시키고
스케일링을 향상시키기 위해
노력해 왔습니다
여러분이 사용하고 원하는
기계가 어떤 것이든
텐서플로우가 최대한
활용할 수 있도록 하기 위해서
또 여러분에게 필요한 혜택과 융통성을
제공할 수 있기 위해서 말이죠
여기 64 GPU에 걸친
58배속을 보여드리고 있습니다
이것은 텐서플로우 1.0 발표에 대해
라자트가 언급할 때 말한 숫자이죠
수행 측면에서 저희가 이뤄 낸 향상과
이 모든 융통성, 그리고
커뮤니티에 되돌려 줄
선택사항들까지 정말 너무 신납니다
이제 연구와 생산
측면에서의 예시에 대해

Spanish: 
y ejecutar su configuración de producción
y hacer su investigación.
Así, vamos a hacer 
una pausa allí, también.
Ahora, usted puede ver incluso
cuando se mueve
de datos sintéticos a datos reales 
la escala sigue siendo muy impresionante.
Y TensorFlow está escalando bien
a través de las 8 GPUs aquí
así estén mirando una configuración
DGX-1 de gran alcance
o estén mirando 
algo como un K80, también.
Pero no se trata de las configuraciones
de una sola máquina solamente.
También tenemos que pensar
en el rendimiento distribuido.
Y para el funcionamiento distribuido,
también, hemos hecho mucho trabajo
en mejorarlo y mejorar nuestra escala
para cerciorarnos de que, otra vez
cualquier maquinaria 
que tengan y que deseen usar
TensorFlow puede hacerla lo más útil
y lo más capaz para darles los beneficios
y la flexibilidad que necesitan.
Así, aquí estamos mostrando
una velocidad de 58x en 64 GPUs.
Este es el número que Rajat citó, también
cuando hablábamos 
de la versión de TensorFlow 1.0.
Por lo tanto, creo que son realmente
emocionante todas las mejoras
que hemos hecho en el lado del rendimiento
de las cosas, y toda la flexibilidad
y las opciones que da a la comunidad.
Ahora, quiero ir un poco más
sobre el tipo de ejemplos

Indonesian: 
dan membangun setup produksi dan
melakukan penelitian mereka.
Jadi, kita masukkan di sana juga.
Anda lihat bahwa saat Anda pindah
dari data sintetis ke data sebenarnya,
skalanya masih sangat luar biasa.
TensorFlow berskala bagus
dalam 8 GPU di sini
baik pada setup DGX-1 yang hebat
atau pada K80 juga.
Tapi ini bukan hanya tentang
setup mesin tunggal.
Kami juga perlu memikirkan
kinerja terdistribusi.
Untuk kinerja terdistribusi, kami juga
melakukan banyak peningkatan
dan meningkatkan skala untuk menjamin
mesin apa pun yang Anda miliki
dan yang Anda hendak pakai,
TensorFlow bisa memanfaatkannya
dan memberi manfaat dan
fleksibilitas yang Anda butuhkan.
Di sini kami tunjukkan
percepatan 58x dalam 64 GPU.
Itu adalah angka yang juga disebut Rajat
saat kami membahas rilis TensorFlow 1.0.
Jadi, saya pikir sangat mengasyikkan--
semua peningkatan yang kami lakukan
pada kinerja, fleksibilitas, dan pilihan
yang diberikannya kembali untuk komunitas.

Portuguese: 
rodar configuração de produção
e fazer pesquisas.
Então, vamos colocar isso aí também.
Agora vocês podem ver que mesmo
mudando de dados sintéticos
para dados reais, o dimensionamento 
continua sendo impressionante.
O TensorFlow dimensiona bem
nos oito GPUs aqui,
quer você use uma configuração
DGX-1 poderosa
ou algo como o K80 também.
Mas não se trata somente
de configuração de máquinas.
Também precisamos falar
sobre performance distribuída.
E, para isso, também 
trabalhamos muito para melhorá-lo
e melhorar nosso dimensionamento
para garantir que,
seja qual for a máquina 
que você possua ou queira utilizar,
o TensorFlow pode utilizá-lo 
da melhor forma possível
e dar quaisquer benefícios
e flexibilidade que você precisa.
Então, aqui estamos mostrando
uma aceleração de 58x em 64 GPUs.
Este é o número que o Rajat
mencionou, também,
ao falar sobre o lançamento
do TensorFlow 1.0.
Então, são muito empolgantes
essas melhorias
que fizemos na performance
das coisas, e toda a flexibilidade
e opções que ele fornece
para a comunidade.
Agora, quero falar um pouco sobre exemplos

English: 
and running their
production setup,
and doing their research.
So let's plop that
in there, as well.
Now you can see even when
you move from synthetic data
to real data, the scaling
is still very impressive.
And TensorFlow is scaling
well across the eight GPUs
here, whether you're looking
at a powerful DGX-1 setup
or you're looking at
something like a K80, as well.
But it's not just about
the single machine setups,
we also need to think about
distributed performance.
And for distributed
performance as well, we've
been doing a lot of work to
improve that, and improve
our scaling to make sure that,
again, whatever machinery
you have and that
you want to be using,
TensorFlow can make
the most use of it
and be able to give
you whatever benefits
and flexibility you need.
So here we're showing a 58x
speed up across 64 GPUs.
This is the number that
Rajat quoted as well
when we were talking about
the TensorFlow 1.0 release.
So I think it's really exciting,
just all of the improvements
that we've made on the
performance side of things,
and all the flexibility
and the options
that it gives back
to the community.
Now I want to go
just a little bit
into examples on the
research and the production

Korean: 
좀더 얘기해 보겠습니다
인경 신경망 기계 번역은 저희가 많이
언급해 온 흔한 예시이죠
여러분은 예전의
구문 기반 모델을 보고 계십니다
이는 실제로 수 십만 개의
수작업한 코드를 가지고 있습니다
이 코드를 텐서플로우에 있는 인공신경
모델로 옮겼을 때 저희는 실제로
다양한 언어 쌍에 걸쳐
엄청난 향상을 볼 수 있었습니다
어떤 경우에는 오류가
85%까지 내려갔죠
여기 조금 더 재미있는 예시가 있어요
이 그래프를 보면 꽤 흥미롭습니다
하지만 이것은 인공신경 건축 탐색이고
여기에서 실제로 텐서플로우 상의
인공신경망을 만들고 있는 것이고
이는 문제 해결을 위해
사용될 인공신경 건축 바로 밑에
있는 것을 알게 해줍니다
텐서플로우에서도 행해지고 있는
이러한 첨단 연구 사례를
보는 것은 참 좋습니다
Google 연구에서 행해진
오픈 소스화된
또다른 예시가 여기 있습니다
캡션을 하는 이미지 같은 것을 보시면
이는 단순히 캡션을 제공하는 것이 아닌
사람이 실제로 말하는 듯한
캡션을 제공하죠
이러한 종류의 언어 이해를
합산하는 것과 이를 이미지에
적용시키는 것, 또 이를 텐서플로우에서
한다는 것은 아주 멋진 일이죠

Spanish: 
de la investigación y el lado 
de la producción de las cosas.
Por lo tanto, la traducción automática
neuronal es un ejemplo común
del que hemos hablado mucho.
Así, aquí, se puede ver
con el viejo modelo basado en frases
que en realidad tenía cientos de miles 
de líneas de código de afinación manual
cuando nos movemos a un modelo neural
en TensorFlow, realmente podemos ver
grandes mejoras en varios
pares de lenguajes.
En algunos casos, la reducción
de errores en un 85%.
Aquí hay un ejemplo un poco más divertido.
Es un poco interesante mirar este gráfico.
Pero esto es la búsqueda
de arquitectura neural
donde se encuentra 
esencialmente la construcción
de una red neuronal en TensorFlow 
donde se puede evidenciar
el derecho bajo la arquitectura neural
de cubiertas a usar
para resolver un problema.
Y es genial ver
estos casos de investigación
que también se están haciendo
en TensorFlow.
Y aquí hay otro ejemplo 
que ha sido de código abierto
y por la investigación de Google.
Así que, mirando cosas 
como imágenes de subtítulos.
Y no se trata sólo de proporcionar
el subtítulo, es proporcionar
un subtítulo de sonido humano para ello.
Así que, es muy impresionante combinar
este tipo de comprensión del lenguaje
y también aplicar eso con las imágenes
y hacer eso en TensorFlow.

Portuguese: 
do ponto de vista de pesquisa e produção.
A tradução neural automática
é um exemplo comum
sobre o qual falamos bastante.
Aqui, podem ver no antigo
modelo baseado em frases,
que havia centenas de milhares
de linhas de ajuste de código manual.
Quando mudamos para
o modelo neural no TensorFlow,
pudemos ver grandes melhorias 
em vários pares de idiomas.
Em alguns casos,
reduzindo erros em até 85%.
Aqui tem um exemplo mais divertido.
É interessante olhar este gráfico.
Isso é uma busca de arquitetura neural,
onde você, essencialmente,
constrói uma rede neural
no TensorFlow que pode descobrir
qual a arquitetura neural 
oculta a ser usada
para solucionar um problema.
É ótimo ver esses casos de pesquisa
de ponta sendo realizados no TensorFlow.
E aqui está outro exemplo
colocado em código aberto
pela pesquisa da Google.
Se olhamos para coisas 
como legenda de imagens
não é somente fazer a legendagem,
mas fazer uma legendagem 
que pareça humana.
Então, é impressionante combinar
este tipo de compreensão de linguagem,
aplicar nas imagens,
e fazer isso no TensorFlow.

Japanese: 
ニューラル機械翻訳は一般例として
これまでたくさんお話していますが
これは旧来のフレーズベースモデルで
手調整コードの行が多数あります
TensorFlow 内
ニューラルモデルに移すと
さまざまな言語の組み合わせで
大きな改善が見られます
85% までエラーが減った例もありました
もう少しおもしろい例もあります
興味深いグラフです
これはニューラルアーキテクチャ検索です
TensorFlow 内で
ニューラルネットワークを構築している場で
問題解決のため使用すべき
ニューラルアーキテクチャを検索できます
これら最先端の研究も
TensorFlow で行われているのは
素晴らしいことです
Google 社の研究でもう１つ
オープンソース化されている事例があります
画像キャプションの分野では
字幕提供だけでなく
音声キャプションも提供しています
この種の言語理解を統合すること
またそれを画像に適用すること
TensorFlow で行うことは
素晴らしいことです

English: 
side of things.
So neural machine translation
as a common example we've
talked about a lot.
So here you can see with the
old phrase-based model, which
actually had
hundreds of thousands
of lines of hand-tuned code.
When we moved that to a
neural model in TensorFlow,
we're actually able to
see huge improvements
across various language pairs,
in some cases reducing errors
by up to 85%.
Here's a slightly
more fun example.
It's a little interesting
to look at this graph.
But this is neural
architecture search,
where you're
essentially building
a neural network in TensorFlow
that can figure out,
what is the right
under the covers
neural architecture to
use for solving a problem?
And it's great to see these
cutting-edge research cases
also being done in TensorFlow.
And here's another example
that has been open-sourced
by Google Research.
So looking at things
like captioning images.
And it's not just about
providing a caption for it,
it's providing a
human-sounding caption for it.
So it's very impressive to
combine this type of language
understanding and also
applying that with the images

Indonesian: 
Sekarang, saya ingin membahas
contoh di bagian penelitian dan produksi.
Jadi, neural machine translation adalah
contoh umum yang banyak dibicarakan.
Di sini, Anda bisa melihat
model lama berbasis frasa
yang sebenarnya memiliki
ratusan ribu baris kode hand tune
saat kita pindah ke model neural
di TensorFlow, kita sebenarnya bisa
melihat peningkatan besar
dalam berbagai pasangan bahasa.
Dalam beberapa kasus, mengurangi
kesalahan sampai dengan 85%.
Berikut contoh yang lebih seru.
Grafik ini menarik sekali.
Tapi ini adalah penelusuran arsitektur
neural, di mana Anda membangun
jaringan neural di TensorFlow
yang bisa menemukan yang tersembunyi
dalam arsitektur neural
untuk memecahkan masalah.
Dan kami bangga melihat
kasus penelitian mutakhir ini
juga dilakukan dengan TensorFlow.
Ini contoh lain yang telah dijadikan
sumber terbuka dengan penelitian Google.
Memahami gambar, seperti memberi
keterangan pada gambar.
Bukan hanya menyediakan keterangan saja
tapi menyediakan keterangan
yang terdengar alami.
Jadi, menggabungkan pemahaman
tipe bahasa seperti ini sangat hebat
dan menerapkannya dengan gambar
dan melakukannya dengan TensorFlow.

Chinese: 
和生产的一些例子
神经机器翻译是我们常谈起
的普遍例子
这里你能看见旧版的基于短语模型
它有着上千个手调整代码
当我们把它移到 TensorFlow 的神经模型时
我们能看见各语言组合有着明显的改善
某些情况还把错误降低了 85%
来谈更好玩的例子
这图标很有趣
这是个神经结构搜寻，你能在 TensorFlow
建造一个决定使用哪个神经结构
的神经网
以便解决问题
能看见这些使用 TensorFlow 进行尖端研究的个案
非常棒
这里还有另一个开放源码
以及 Google 研究的例子
拿图像标注当例子
那不单是只提供标注
是要提供人性化的标注
能靠 TensorFlow 结合这种语言理解以及图片
是非常让人钦佩的

English: 
and doing that in TensorFlow.
But again, it's not
just about research.
We also need to look at
different types of production
use cases, as well.
And it's important
to, again, remember
that TensorFlow, when we talk
about production use cases,
we're talking about both
the training side of things,
and also using TensorFlow
for low latency serving.
A cool example here is
something like Word Lens.
So this is something where, a
lot of times when people think
about production use cases, they
think about large data centers.
But a lot of
production use cases
these days are actually apps.
You release an
app, it's actually
running on someone's device.
So here's an example
with Word Lens,
where it's combining translation
and vision, essentially,
and actually running
on the device
using TensorFlow to
be able to provide you
what that sign might look
like in a different language.
And of course at
Google, we make a lot
of use of tons of TensorFlow
and deep learning.
So we talked about
translate a lot.
There are other
examples, like using it
in Gmail for spam
detection, using it
in Street View for understanding
signs, street sign recognition.

Japanese: 
しかも研究だけではありません
さまざまな稼働事例を見る必要があります
その場合も TensorFlow の役割が大事です
稼働事例について話すときも
トレーニング面と
TensorFlowを低遅延のため使用すること
両面のことを言っているのです
Word Lens が良い事例です
人は稼働事例について考えるとき
巨大なデータセンターを思うことが多いですが
稼働事例の多くは
現在は実はアプリなのです
アプリをリリースしたら
誰かのデバイス上で実際動いています
Word Lens での例では
翻訳と画像を基本的に結び付け
実際にデバイスで稼働し
TensorFlow を使用しその標識が
他言語でどう見えるか示します
もちろん Google でも
TensorFlow と深層学習を活用しています
それでたくさん翻訳のことをお話しました
他にも Gmail でスパム検知に使用したり
標識などを理解するためストリートビューで
道路標識認識にも使用しています

Indonesian: 
Tentu saja, bukan hanya pada penelitian.
Kita perlu melihat berbagai
kasus penggunaan produksi juga.
Penting diingat bahwa TensorFlow,
saat kita membahas
tentang kasus penggunaan produksi,
kita membahas sisi pelatihan
dan juga memakai TensorFlow
untuk porsi latensi rendah.
Contoh kerennya adalah Word Lens.
Saat orang memikirkan
untuk penggunaan produksi
mereka berpikir tentang pusat data besar.
Tapi kini banyak kasus penggunaan
produksi pada aplikasi.
Anda meluncurkan aplikasi
yang berjalan pada perangkat seseorang.
Contoh, pada Word Lens pada dasarnya
menggabung terjemahan dan visi
dan sebenarnya berjalan
pada perangkat dengan TensorFlow
untuk bisa menyediakan tanda tersebut
dalam bahasa yang berbeda.
Tentu saja, di Google,
kami banyak memakai TensorFlow
dan pembelajaran mendalam.
Jadi, kami banyak membahas Translate.
Ada contoh lainnya, seperti memakainya
di Gmail untuk mendeteksi spam.
Memakainya di Street View untuk memahami
seperti mengenali tanda jalan.

Portuguese: 
Mas, novamente,
não se trata só de pesquisa.
Também precisamos ver tipos diferentes
de casos de uso de produção.
É importante lembrar que, no TensorFlow,
quando falamos 
sobre casos de uso de produção,
trata-se tanto do treinamento das coisas,
quanto usá-lo
para serviço de baixa latência.
Um exemplo legal aqui
é algo como o Word Lens.
Quando as pessoas pensam
sobre casos de uso de produção,
pensam em data centers gigantes.
Mas muitos casos de uso
de produção atualmente são apps.
Você lança um app,
e ele roda no dispositivo de alguém.
Aqui está um exemplo
com o Word Lens,
onde ele combina tradução e visão,
e está rodando no dispositivo
utilizando o TensorFlow
para poder mostrar como aquela placa 
pode ficar num idioma diferente.
E, claro, na Google fazemos
muito uso do TensorFlow
e deep learning.
Então, falamos muito sobre o Tradutor.
Existem outros exemplos,
como utilizá-lo no Gmail
para detectar spam.
Utilizá-lo no Street View 
para entender e identificar as placas.

Chinese: 
当然，研究只是其中之一
我们得看看不同的生产个案
说起 TensorFlow 不能忘记的是
当我们谈起生产个案，我们在意的是训练
以及使用 TensorFlow 进行低延迟服务
就如 Word Lens
大家想起生产个案时
都会觉得是非常大规模的资料库
但是现今的个案通常是应用程式
当你发布了应用
它其实靠别人的器件操作
Word Lens 结合了翻译以及视觉
在器件里靠着 TensorFlow
而让你看见那标记在不同语言
所呈现的模样
在 Google 里，我们经常用着 TensorFlow
以及深入学习
我们谈了很多关于翻译的议题
还有其他的例子，包括 Gmail
垃圾邮件识别技术
在 Street View 的路标识别技术

Korean: 
하지만 다시 한번
이는 그냥 연구가 아닙니다
다양한 유형의
생산 사용 사례들도 봐야겠죠
그리고 이것도 기억하셔야 합니다
생산 사용 사례라는 것은
이는 훈련 측면과
저지연성 서빙을 위해 텐서플로우를
사용한다는 것을 말하는 겁니다
멋진 예로는 워드 렌즈가 있겠죠
사람들이 생산 사용 사례를 생각할 때
아주 큰 데이터 센터를 생각하고는 하죠
하지만 요즘의 많은 생산 사용 사례는
실제로 앱입니다
그럼 여러분이 누군가의 기기에서
앱을 실행하고 있다면
여기 워드 렌즈를 이용한 예시가 있습니다
이는 번역과 실제 시야를 합치고
실제로 그 기기에서 텐서플로우를 이용해
이 상징이 다른 언어에서
어떻게 보이는지를
알려줄 수 있는 거죠
물론 Google에서
텐서플로우와 딥 러닝을
많이 활용합니다
번역에 대해서는 많이 이야기했죠
스팸메일 발견을 위해
Gmail이 이를 사용하는 등
다른 예시들도 많아요
거리 간판 인식 등 간판 이해를 위해
스트리트 뷰에서 사용하는 것도 그렇죠

Spanish: 
Pero, una vez más, 
no se trata sólo de investigación.
También tenemos que mirar los diferentes
tipos de casos de uso de la producción.
Y es importante recordar de nuevo
que TensorFlow, cuando hablamos
de casos de uso de producción, estamos
hablando tanto de la parte de formación
de las cosas como también el uso
de TensorFlow
para servicios de baja latencia.
Un ejemplo genial aquí
es algo como Word Lens.
Así que, esto es algo donde...
cuando la gente piensa
en los casos de uso de la producción,
piensan en grandes centros de datos.
Pero la mayoría de los casos
de uso de producción
actualmente son en realidad
las aplicaciones.
Bien, liberas una aplicación... y ya 
se está ejecutando en el móvil de alguien.
Así que, aquí hay un ejemplo con Word Lens
donde se combina la traducción
y la visión esencialmente, y en realidad
se ejecuta en el dispositivo
con TensorFlow para poder ofrecerle
lo que podría parecer
ese signo en un lenguaje diferente.
Y, por supuesto, en Google, 
hacemos un gran uso de TensorFlow
y el aprendizaje profundo.
Por lo tanto, hablamos de traducir mucho.
Hay otros ejemplos, como usarlo en Gmail
para la detección de spam.
Usándolo en Street View 
para entender como signos...
reconocimiento de signos de la calle.

Korean: 
앱 추천을 위해 Google
플레이 스토어에서도
아마 사용할 겁니다
하지만 Google 내에서
내부적인 사용 사례가
많은 것도 좋지만 이것이 텐서플로우의
진정한 목적은 아닙니다
텐서플로우의 목적은
커뮤니티에 이를 어떻게
돌려줄 수 있는가를 이해해서
모든 이가 딥 러닝을
활용할 수 있고 연구 목적이든
생산 필요성 때문이든 텐서플로우를
더 많이 사용할 수 있게 하는 거죠
따라서 텐서플로우를 실제로 활용하는
회사들이 많다는 것도 정말
멋진 일입니다
퀄컴이 함께 한다는 것은
이미 들었죠
오늘 하루 동안 다른 것들도
언급될 겁니다
하지만 저희는 커뮤니티와
함께 하고 싶고
필요한 것들이 무엇이지 이해해서
시간이 지나면서
각자 스스로의 사용 사례에서
텐서플로우를 사용하는
사람들이 계속 늘기를 바랍니다
그런 의미에서 제프가
앞으로의 일정에 대해
좀더 말해 줄 겁니다
고마워요, 메건
제 생각에 커뮤니티가
좋은 점 중 하나는
텐서플로우가 모든 분들을
위한 것이라는 점이죠
그리고 사람들이 텐서플로우로 한 일들은
저희가 생각지도 못한 것입니다

Spanish: 
Y también puede usarlo
en, quizás, Google Play Store
para las recomendaciones de aplicaciones.
Pero si bien es genial 
que hay tantos casos de uso
internamente en Google, no es realmente
el punto central de TensorFlow.
El punto de TensorFlow es averiguar
cómo podemos devolver esto
a la comunidad, y hacer 
que todos puedan aprovechar
el aprendizaje profundo, y ser capaz
de usar TensorFlow para seguir
si es la investigación 
o sus necesidades de producción.
Por lo tanto, es genial tener
una lista tan grande de las empresas
que están haciendo
uso de TensorFlow, también.
Por lo tanto, ya hemos escuchado 
de Qualcomm intensificando.
Habrá otras cosas que se mencionan
a lo largo del día, también.
Pero queremos asegurarnos de que estamos
comprometidos con la comunidad
entendiendo cuáles son las necesidades,
para que con el tiempo
esta lista de otras personas 
que estén usando TensorFlow
en sus propios casos 
de uso seguirá creciendo.
Y con eso, me gustaría darle la palabra
a Jeff para hablar un poco más
sobre lo que viene.
Bueno. Gracias, Megan.
Por lo tanto, creo que una de las cosas
que es genial sobre la comunidad
es que TensorFlow sí es para todos.
Y algunas de las cosas que la gente
ha hecho con TensorFlow
son cosas que nunca habríamos pensado

Indonesian: 
Dan mungkin memakainya di toko Google Play
untuk rekomendasi aplikasi.
Walaupun bagus karena banyak
penggunaan di internal Google
tapi itu bukan inti dari TensorFlow.
Inti TensorFlow adalah menemukan
cara memberi kembali ke komunitas
dan membuatnya agar semua orang
bisa memanfaatkan pembelajaran mendalam
dan memakainya untuk memajukan
keperluan penelitian maupun produksi.
Sangat bagus, ada daftar panjang
perusahaan yang memakai TensorFlow juga.
Kita telah mendengar
Qualcomm yang maju tadi.
Juga perusahaan lainnya
yang akan disebutkan di hari ini.
Dan kami ingin pastikan untuk mengikut-
sertakan komunitas, mengerti kebutuhannya
agar seiring waktu, daftar pemakai
TensorFlow lainnya
untuk penggunaan mereka sendiri
akan bertambah.
Dengan itu, saya akan mengembalikannya
pada Jeff untuk membahas hal berikutnya.
Oke. Terima kasih, Megan.
Saya pikir, salah satu hal terbaik
tentang komunitas
adalah TensorFlow bisa dipakai
oleh semua orang.
Dan beberapa penggunaan TensorFlow
belum pernah kami pikirkan sebelumnya

Portuguese: 
E também utilizá-lo, talvez,
na loja Google Play
para recomendações de apps.
Mas, mesmo sendo ótimo
ter tantos casos de uso
internamente na Google, não é exatamente
o objetivo principal do TensorFlow.
O objetivo do TensorFlow é descobrir
como devolver isso à comunidade,
e fazer de forma que todos
possam utilizar deep learning,
e utilizar o TensorFlow para estimular
tanto as necessidades
de pesquisa como de produção.
Então, é ótimo ter uma lista
tão grande de empresas
que estão também usando o TensorFlow.
Já ouvimos da Qualcomm
dando um passo à frente.
Outras coisas serão mencionadas
durante o dia de hoje também.
Mas queremos garantir
o engajamento com a comunidade,
compreendendo suas necessidades,
para que a lista de pessoas
que utilizam o TensorFlow
em seus próprios casos de uso
continue a crescer.
Então, vou passar de volta para o Jeff,
que falará mais
sobre o que temos pela frente.
Ok. Obrigado, Megan.
Então, acho que uma das melhores
coisas sobre a comunidade
é que o TensorFlow é realmente para todos.
Algumas das coisas que as pessoas
fizeram com o TensorFlow
são coisas que nunca teríamos pensado,

Chinese: 
还有也许在 Google Play 商店
应用的推荐
虽然有那么多好的Google 内部用途
但是那不是 TensorFlow 的主要目的
TensorFlow 的目的是回馈群体
让大家都能用上深入学习
不管是研究或者生产个案
都能用上 TensorFlow
有非常多的公司正在使用 TensorFlow
这一点非常好
我们看见了 Qualcomm 的参与
还有其他的特点
都会在今天陆续公布
我们想确保和群体保持联系
并了解大家的需求
日后使用 TensorFlow 进行工作的人们
随之增加
我想邀请 Jeff 说说
未来的计划
好的，谢谢 Megan
我想群体内最棒的是
TensorFlow 适合每个人
有些人利用 TensorFlow 所建立的成品
是我们从来料想不到的

Japanese: 
人気アプリ用に
Google Play ストアでも使用できます
Google 社内で多くの
使用事例があるのは素晴らしいですが
TensorFlow の核心ではありません
その核心はコミュニティへの
還元方法を把握し
すべての人が
深層学習を活用できるようにし
研究でも稼働のニーズでも
TensorFlow を
さらに活用できるようにすることです
TensorFlow を実際活用している企業が
多数あるのは素晴らしいことです
すでに Qualcomm 社の
向上は聞きましたが
他にも今日お伝えできるはずですが
私たちはこれからも
コミュニティと共同して
ニーズが何かを理解し
時と共に
各自の使用例で
TensorFlow を使用している方々が
成長し続けることを
確認したいと思います
ではジェフが私と交代し
これからを詳しくお伝えします
ありがとう　メーガン
コミュニティで素晴らしいことの１つは
TensorFlow は皆のものだということです
私たちが思いも寄らなかったことも
人々は TensorFlow で行ってきました

English: 
And also using it in,
perhaps, the Google Play
Store for app recommendations.
But while it's great that
there's so many use cases
internally at Google,
that's not really
the whole point of TensorFlow.
The point of TensorFlow
is to figure out,
how can we give this
back to the community
and make it so that everyone can
be making use of deep learning
and be able to use
TensorFlow to further,
whether is the research
or the production needs?
So it's great to have such
a large list of companies
that are actually making
use of TensorFlow as well.
So we've already
heard from Qualcomm
stepping up, will be other
things that will be mentioned
throughout the day, as well.
But we really want
to make sure we're
engaging with the community,
understanding what
the needs are so that over time
this list of other folks who
are using TensorFlow
in their own use cases
will continue to grow.
And with that, I'd like to
hand it back off to Jeff
to talk a bit more
about what's ahead.
JEFF DEAN: Thank you, Megan.
So I think one of
the things that's
great about the community
is that TensorFlow is really
for everyone.
And some of the
things that people
have done with TensorFlow are
things that we would never
have thought of.

Spanish: 
porque, en realidad, la gente tiene
sus propios problemas
y están usando
TensorFlow de maneras muy creativas.
Por lo tanto, es posible que hayan visto
la historia hace unos meses
de este agricultor de pepino japonés
y su esposa, y su hijo
que pasa a ser un ingeniero de sistemas
de ensamble automotriz.
Y que cada... cada temporada de cosecha,
la esposa pasaría mucho tiempo
clasificando pepinos, porque es necesario
clasificarlos para el mercado
como los grandes, pequeños, curvados,
ya saben, no curvados.
Y así, montaron un sistema 
usando Raspberry Pi, una cámara
y TensorFlow para clasificar esencialmente
los pepinos automáticamente
en los tamaños correctos.
Y así, este es un, ya saben, 
un uso creativo de TensorFlow
que no habríamos pensado.
Es realmente genial que la gente esté 
encontrando usos muy ordenados para ello.
Y ahora, no hay mucho trabajo humano
que se necesita hacer
para clasificar estos pepinos
lo que no suena 
como una tarea muy interesante.
Caso de estudio: Medicina
Otra área de la que estamos
muy entusiasmados son las aplicaciones
del aprendizaje automático
para la medicina.
Y nuestro grupo ha estado trabajando
en el diagnóstico

Portuguese: 
porque as pessoas 
têm seus próprios problemas
e utilizam o TensorFlow
de formas muito criativas.
Vocês podem ter visto esta história
alguns meses atrás,
de um produtor japonês de pepinos
e sua esposa e filho,
que, por acaso, era engenheiro
de sistemas automotivos embutidos.
E, em toda estação de colheita,
a esposa passava muito tempo
separando pepinos, porque deve-se
separá-los para o mercado
entre grandes, pequenos,
curvados e não-curvados.
Então, eles montaram um sistema
utilizando um Raspberry Pi, uma câmera
e o TensorFlow, para selecionar
os pepinos automaticamente
pelos formatos corretos.
Então, este é um uso criativo
do TensorFlow que não teríamos pensado.
É muito legal que as pessoas
encontrem bons usos para ele.
E agora não há muito
trabalho humano necessário
para selecionar os pepinos,
o que não parece ser
uma tarefa interessante.
Outra área que nos empolga
são as aplicações em aprendizado
de máquina na medicina.
E nosso grupo tem trabalhado
no diagnóstico de retinopatia diabética

Japanese: 
人々は本当に
自分の問題を抱えていて
TensorFlow をとても創造的な方法で
利用しているからです
この話は数か月前にお聞きかもしれませんが
日本のキュウリ農家の夫妻の話です
息子さんはたまたま
自動車の組込システム技術者で
毎回収穫期に奥さんがキュウリの
選別に多くの時間を費やしたものです
市場向けに大きいもの・小さいもの
曲がったもの・曲がっていないものに
選別が必要なのです
そこで Raspberry Pi とカメラ
TensorFlow を使用し
システムを早急に作り
基本的にキュウリの良い形を
自動的に選別しました
私達の想定外の
TensorFlow の創造的な使用方法です
人々がとても良い使用法を見つけているのは
素晴らしいですね
現在キュウリ選別のような
多くの人の労働力は必要ないです
あまり面白くない仕事ですからね
[事例研究：医療]
別の領域で素晴らしいことは
医学への機械学習の活用です
私達のグループが取り組んできたのは

Korean: 
왜냐하면 사람들은 각자의 문제가 있고
텐서플로우를 아주
창의적인 방식으로 사용하니 말이죠
아마 몇 달 전 이 이야기를
들었을 겁니다
일본 오이 농부, 그의 아내
그리고 그의 아들 이야기입니다
이 분은 우연히도
자동차 임베디드 시스템 엔지니어였어요
수확 때마다 아내분이 오이를
솎아내는 데에 많은 시간을
보내곤 했는데 그 이유는
시장에 보낼 때
큰 오이, 작은 오이, 구부러진 오이
안 구부러진 오이 등 분류해야 했기 때문이죠
그래서 이 부부는 라스베리 파이와
카메라, 텐서플로우를 이용해서
모양에 따라 자동으로 오이를
분류하기 위해 시스템을
만들었죠
이것이 바로 저희는 생각지도 못한
텐서플로우의
창의적인 사용법입니다
사람들이 정말 멋진 사용법을
찾아내고 있어서 너무 멋집니다
그리고 이제 이 오이를
분류하기 위해 필요했던 인력이
별로 필요없는 거죠
별로 재미있진 않을 법한 업무죠
저희가 또 흥미있다고 생각한 분야는
의학에 머신러닝을
응용하는 겁니다
저희 그룹은 컴퓨터 시력을 이용한
당뇨망막병증의 진단을 위해

English: 
Because really, people
have their own problems,
and they're using TensorFlow
in very creative ways.
So you may have seen this
story a few months ago
of this Japanese cucumber
farmer and his wife
and their son, who happens to be
an automotive embedded systems
engineer.
And every harvest
season, the wife
would spend a lot of
time sorting cucumbers.
Because you need to sort them
for market into big ones,
small ones, curved
ones, not curved ones.
And so they rigged up a
system using a Raspberry
Pi and a camera and
TensorFlow to essentially
sort the cucumbers automatically
into the right shapes.
And so this is a creative
use of TensorFlow
that we would not
have thought of.
It's really cool that
people are finding
really neat uses for it.
And now there's not
a lot of human labor
that needs to be done to
sort these cucumbers, which
doesn't sound like a
very interesting task.
Another area we're
really excited about
is the applications of
machine learning for medicine.
And our group has
been doing some work
on the diagnosis of
diabetic retinopathy

Chinese: 
大家都面对着独特的问题
所以非常有创意地使用着 TensorFlow
数个月前你也许听过这则新闻
关于一个日本农夫
以及他太太和儿子的故事
儿子刚巧是汽车嵌入式系统工程师
每个丰收季节
农夫的太太得花很多时间
把黄瓜分类再卖到菜市场去
她把黄瓜分为大的，小的
弯曲的，嗯，不是弯曲的
他们用 Raspberry Pi 
和一部相机装置了一个系统
还有 TensorFlow 来把青瓜
自动分类到正确的形状群里
这就是有创意地使用 TensorFlow
我们完全意料不到的
能看见大家那么有创意地使用它真好
现在不需要靠那么多人力
来分类黄瓜了
听起来也不是非常有趣的工作
还有让我们非常兴奋的是医药界里
机器学习的应用
我们的小组利用了电脑视觉进行了

Indonesian: 
karena sebenarnya setiap orang
memiliki masalah sendiri
dan mereka memakai TensorFlow
dengan cara yang kreatif.
Anda mungkin telah membaca
cerita ini beberapa bulan lalu
tentang petani timun Jepang dan istrinya
dan putra mereka yang merupakan
tekhnisi otomotif sistem tertanam.
Setiap musim panen,
si istri menghabiskan banyak waktu
untuk menyortir timun,
karena timun perlu disortir untuk pasar
seperti timun besar, kecil,
bengkok, tidak bengkok.
Maka, mereka memasang sistem
dengan Raspberry Pi dan kamera
dan TensorFlow untuk menyortir
bentuk timun yang benar secara otomatis.
Jadi, ini penggunaan kreatif TensorFlow
yang tak pernah kami pikirkan.
Sangat keren, orang bisa menemukan
penggunaannya yang cerdik.
Kini, tidak perlu banyak tenaga kerja
untuk menyortir timun-timun ini
yang kedengarannya bukan tugas menarik.
Studi kasus: Medis
Bidang lain yang sangat kami senangi yaitu
penggunaan pembelajaran mesin untuk medis.
Grup kami telah melakukan
diagnosa Retinopati Diabetik

English: 
using computer vision.
So the task here is essentially
to take a retinal image
like this-- you go to
the ophthalmologist,
they typically take
an image like this.
And then the ophthalmologist
looks at this
to see if there are any early
signs of diabetic retinopathy.
And this is really important.
Because if you catch this
disease early enough,
it's very treatable.
But if you don't, it's
actually the leading cause
of blindness in the world.
And so we now have a
system in an article that
was published in the "Journal
of the American Medical
Association" by
people in our group
that shows that a computer
vision model trained
on the right kind
of data can actually
be as good, or slightly better
than the median ophthalmologist
at diagnosing
diabetic retinopathy.
And this is really
important, because [MIC CUT]
to the world--
and what's really
lacking is access
to ophthalmologists to
actually interpret the images.
And so this can really
help increase access.

Indonesian: 
menggunakan visi komputer.
Tugas kami adalah mengambil
gambar retina seperti ini.
Jika Anda pergi ke dokter mata, mereka
biasanya mengambil gambar seperti ini.
Kemudian dokter mata menganalisanya
untuk menemukan tanda-tanda awal
retinopati diabetik.
Ini sangat penting karena jika penyakit
bisa terdeteksi dini, akan bisa diobati.
Jika tidak, itu akan menjadi
penyebab utama kebutaan di dunia.
Sekarang kita punya sistem di mana--
dalam artikel yang diterbitkan
pada Jurnal Asosiasi Medis Amerika
oleh anggota grup kami,
menunjukkan bahwa model visi komputer
yang dilatih pada data yang tepat
sebenarnya bisa sebaik atau lebih baik
dari rata-rata dokter mata
yang mendiagnosis retinopati diabetik.
Ini sangat penting karena
di berbagai belahan dunia,
[tidak jelas] sangat mahal.
Yang kurang adalah akses ke dokter mata
untuk mengartikan gambar tersebut.
Jadi, ini bisa membantu
untuk meningkatkan akses.

Korean: 
힘써 왔습니다
궁극적으로 이 업무는
이렇게 망막상을 가지고 오는 겁니다
여러분이 안과 의사를 찾아가면
보통 의사 선생님이
이런 이미지를 보고 당뇨망막병증의
초기 증상이 있는지
확인합니다
이것이 중요한 이유는 이 병을
초기에 발견하면
치료 가능성이 높기 때문이죠
그렇지 못하면 전 세계에서
눈을 멀게 하는 가장 큰 원인이 되죠
이제 저희는 시스템이 있고
이는 미국 의학 협회 저널에
출간된 논문에 실린 겁니다
저희 그룹 직원들은
정확한 데이터로 훈련된
컴퓨터 시력 모델이 실제로
당뇨망막병증을 진단한
안과 의사 중앙값만큼
같거나 조금 더 잘 할 수
있다는 것이 보여 줬습니다
그리고 이는 전 세계 많은 부분에서
중요합니다--
[청취불가]
그리고 실제로 부족한 것은
안과 의사의 접근 가능성인데요
실제로 이미지를 해석하기 위해 말이죠
이는 접근성을 상당히
높여줄 수 있습니다

Portuguese: 
utilizando visão computacional.
A tarefa aqui é fazer imagens
da retina como esta.
Você vai ao oftalmologista, e eles
tiram uma imagem como esta.
Então, o oftalmologista
analisa se há algum sinal,
primeiros sinais de retinopatia diabética.
E isso é muito importante
porque, se você detecta
essa doença cedo o suficiente,
ela se torna tratável.
Caso contrário, ela é 
a principal causa de cegueira no mundo.
Agora temos um sistema
cujo artigo foi publicado
no Journal of the American 
Medical Association
por pessoas do nosso grupo, que mostra
que um modelo de visão computacional
treinado no tipo certo de dado
pode ser tão bom
ou até melhor 
do que um oftalmologista mediano
que diagnostica a retinopatia diabética.
E isso é muito importante
porque, em muitas partes do mundo,
[inaudível].
E o que realmente está em falta
é o acesso à oftalmologia,
e oftalmologistas para
interpretar essas imagens.
Então, isso pode ajudar
a melhorar o acesso.

Japanese: 
コンピュータ画像を用いた
糖尿病性網膜症の診断です
ここでの課題は基本的に
このような網膜の画像の撮影です
眼科医にいくと
通常はこのような画像を撮影します
そして眼科医がそれを見て
糖尿病性網膜症の
初期の徴候があるかを知るのです
これは大変重要です
この病気を十分早く発見できれば
治療可能だからです
しかし早期発見できなければ
世界で盲目の原因に繋がるのです
現在私達にはシステムがあり―
米国医師協会の学会誌の記事の
私達のグループの発表によれば
正しい種のデータでトレーニングされた
コンピューター画像モデルが
糖尿病性網膜症を
診断する平均眼科医と比較して
同程度に良いか少し良いことを示しています
これは大変重要です
世界の多くの地域で
[不明瞭]高いからです
非常に不足しているものは
眼科医へのアクセスです―
実際に画像を解釈する
眼科医が不足しているのです
これは利便性増加に役立ちます

Chinese: 
糖尿病网膜症的诊断工作
任务是提供这样的视网膜图像
给眼科医生
眼科医生就能断定病人是否有
早期糖尿病网膜症的迹象
这一步非常重要
因为早期的鉴定能防治疾病
若不这样做，它将是导致失明的祸首
我们有着这样的系统
还出现在美国医学杂志的文章里
证实了一个拥有正确
数据训练的电脑视觉模型
可以像一般眼科医生一样
或甚至更精通地
诊断出糖尿病网膜症
这非常重要，因为在世界各地
这种诊断是非常昂贵的
真正缺乏的是接触眼科的门径
缺乏眼科医生来解读这些图像
这能让门径变得广阔

Spanish: 
de la retinopatía diabética 
mediante la visión por computador.
Y así la tarea aquí es esencialmente 
tomar una imagen retinal como esta.
Vas al oftalmólogo, típicamente
toman una imagen como ésta
y luego el oftalmólogo lo mira 
para ver si hay signos de...
signos tempranos de retinopatía diabética.
Y esto es realmente importante
porque si contraen esta enfermedad
tempranamente, es muy tratable.
Pero si no lo hace, 
esto es la principal causa
de ceguera en el mundo.
Por lo tanto, ahora tenemos un sistema
en el que en un artículo publicado
en el Journal of the American
Medical Association
por personas de nuestro grupo, 
se muestra que un modelo de visión
por computadora entrenado 
sobre el tipo correcto de datos
puede ser muy bueno o ligeramente mejor
que el oftalmólogo regular
que diagnostica la retinopatía diabética.
Y esto es realmente importante 
porque en muchas partes del mundo
(inaudible) (caro).
Y lo que realmente falta 
es el acceso a oftalmología...
oftalmólogo para interpretar
las imágenes sin problema.
Y esto realmente puede ayudar
a aumentar el acceso.

Japanese: 
他にも医学での活用があります
スタンフォード大学の
ブレット・カプレルを紹介します
スタンフォード大学エレクトロニクス
エンジニア部博士課程の学生です
コンピュータ画像モデルを用いた
皮膚科学評価でとても良い業績があります
よろしくブレット
こんにちは 私はブレットです
スタンフォードの同僚と私は
TensorFlow を使用し
危険な皮膚の病変に関する画像を分類するため
モデルをトレーニングしてきました
黒色種と他のタイプの皮膚がんを
認識することにかけて
皮膚科学レベルの性能を
達成してきていることを嬉しく思います
感度 98% で
特異度 90% です
今日あとで詳しく
お話できることを楽しみにしています
『ネイチャー』誌をお持ちであれば
喜んでサインします
いいですね 
ありがとうブレット
『ネイチャー』誌の特集記事は
科学分野では成功の印ですからね
素晴らしい業績です
会場外のコルク板に今日
TensorFlow で人々が行っている
創造的な使用方法を他にも掲示しています

Korean: 
의학에서 또 다른 용도로도 사용됩니다
이를 위해 스탠포드에서 오신
브렛 쿠프렐을 모시겠습니다
스탠포드 전자 공학과 박사생입니다
컴퓨터 비전 모델을
이용한 피부과 평가에 대한
멋진 일을 해 오고 있습니다
고마워요 브렛
안녕하세요 여러분
전 브렛 쿠프렐입니다
제 동료와 저는 스텐포드에서
위험한 피부 병변의 이미지를 분류하도록
텐서플로우를 이용한 모델을
훈련시키고 있습니다
저희는 흑색종과 다른 유형의 피부암을
인식하는 데에 있어
피부과 의사 수준으로 수행할 수
있게 되어 너무 기쁩니다
98%의 민감도에서
90%가 구체적입니다
잠시 후 제 발표 때 세부사항을
공유할 수 있을 겁니다
네이쳐 잡지를 가지고 계시다면
사인도 해드릴게요
아주 좋아요. 감사합니다
고마워요, 브렛
네이처의 표지 기사는 과학 분야에서
엄청난 업적입니다
정말 멋진 일이죠
사실 오늘 이 행사장 밖에
코르크 보드를 뒀고
텐서플로우로 하고 있는 온갖
창의적인 활용에 대해 이야기했죠

Portuguese: 
Existem outros usos na medicina também.
Então, quero convidar
Brett Kuprel, de Stanford.
É doutorando em Stanford
no departamento de Engenharia Elétrica.
E tem feito um trabalho muito bom
na área de avaliação dermatológica
com modelos de visão computacional.
Obrigado.
Olá a todos. Sou Brett Kuprel.
Meus colegas e eu em Stanford
treinamos um modelo utilizando TensorFlow
para classificar imagens
de lesões cutâneas perigosas.
Ficamos extasiados ao alcançar
um nível de desempenho dermatológico
capaz de reconhecer melanomas
e outros tipos de câncer de pele.
Em uma sensibilidade de 98%,
somos 90% específicos.
Estou ansioso para compartilhar 
os detalhes com vocês na palestra de hoje.
E se tiverem uma cópia da Nature,
ficarei feliz em autografá-la.
Muito bom. Certo, obrigado.
Obrigado, Brett.
O artigo de capa da Nature
é um verdadeiro pilar
de conquista na área da ciência.
É um trabalho fantástico.
Hoje tivemos até um mural na área externa
para falar sobre outros
usos criativos que as pessoas
estão dando ao TensorFlow.

Chinese: 
还有其他医药界里的用途
我想邀请斯坦福大学的 Brett Kuprel
他是斯坦福大学的电气工程博士生
他做了一些靠电脑视觉模型
而进行的皮肤病评估的项目
谢谢 Brett
大家好，我是 Brett Kuprel
我和斯坦福大学的同时训练了模型
使用 TensorFlow 为危险皮肤病分类的图片
借此达到了皮肤科医生水准的效率
来识别黑素瘤和其他皮肤癌
以 98% 的敏感度
我们达到了 90% 准确度
很高兴今天能更详细地与大家分享这些内容
若你有这一份 《自然》杂志
我很乐意为你签名
很好，谢谢
谢谢 Brett
《自然》杂志的封面文章
宛如科学成就的栋梁
这是非常精彩的作品
场地外有一个水松板
展示着大家使用TensorFlow
创意出的项目

Spanish: 
Hay otros usos en la medicina, también.
Así que, me gustaría invitar
a [Brett Kuprel] de Stanford.
Es doctor en Stanford 
en el Departamento de EE.
Y ha estado haciendo un trabajo muy bueno
en la evaluación dermatológica 
con los modelos de visión por computadora.
Gracias Brett.
Hola a todos. Soy [Brett Kuprel].
Mis colegas y yo en Stanford 
hemos entrenado un modelo
usando TensorFlow para clasificar imágenes
de lesiones cutáneas peligrosas.
Estamos encantados de haber logrado 
un nivel dermatológico de rendimiento
en el reconocimiento de melanoma
y otros tipos de cáncer de piel.
Con una sensibilidad del 98%
somos 90% específicos.
Espero compartir los detalles con ustedes
durante mi charla más tarde hoy.
Y si tienen una copia de Nature,
estaré encantado de firmarlo.
Muy bien. Muy bien, gracias.
Gracias, Brett.
El artículo de portada en Nature
es como el tipo de un pilar
realmente de logro 
en el campo de la ciencia.
Por lo tanto, 
este es un trabajo fantástico.
En realidad teníamos un tablero de corcho
fuera de la sede aquí hoy
para hablar de otros tipos 
de usos creativos que la gente
está haciendo por TensorFlow.

Indonesian: 
Ada juga kegunaan lain dalam medis.
Saya ingin mengundang
Brett Kuprel dari Stanford.
Beliau mahasiswa PhD
dari Stanford di departemen EE.
Dan beliau telah mengerjakan
penilaian dermatologi
dengan model visi komputer.
- Terima kasih Brett.
- Hai semua. Saya Brett Kuprel.
Saya dan rekan di Stanford melatih
sebuah model dengan TensorFlow
untuk menggolongkan gambar
luka kulit yang berbahaya.
Kami senang karena telah mencapai
kinerja berlevel dermatolog
dalam mengenali melanoma
dan jenis kanker kulit lainnya.
Kami capai 90% spesifik
dengan sensitivitas 98%.
Saya berharap bisa berbagi dengan Anda
di ceramah saya hari ini.
Jika Anda memiliki salinan Nature,
saya akan senang menandatanganinya.
Sangat bagus. Terima kasih.
Terima kasih, Brett.
Artikel yang diulas di Nature adalah
pencapaian tertinggi dalam bidang sains.
Jadi, ini kerja yang luar biasa.
Kami memasang papan gabus
di luar ruangan hari ini
untuk membahas penggunaan
kreatif lainnya dengan TensorFlow.

English: 
There's other uses
in medicine, as well.
So I'd like to invite Brett
Coprell from Stanford.
He's a Stanford PhD student
in the EE department,
and he's been doing
some really nice work
on dermatology assessment with
the computer vision models.
Thanks, Brett.
BRETT COPRELL: Hey, everyone.
I'm Brett Coprell.
My colleagues and I at
Stanford have trained a model
using TensorFlow to classify
images of dangerous skin
lesions.
We're thrilled to have achieved
dermatologist-level performance
at recognizing melanoma and
other types of skin cancer.
At a sensitivity of
98%, we're 90% specific.
I look forward to sharing the
details with you during my talk
later today.
And if you have a copy of
"Nature," I'm happy to sign it.
JEFF DEAN: Very good,
all right, thank you.
Thank you, Brett.
The cover article in
"Nature" is like the kind
of really pillar of achievement
in the field of science,
so this is really
fantastic work.
And we actually had a
corkboard outside the venue
here today to talk about
other kinds of creative uses
that people are
doing for TensorFlow,

Portuguese: 
E eu selecionei alguns.
Tem um grupo, seguindo o tema médico,
que está fazendo a classificação
de agrupamentos cerebrais baseados em IRM
para diagnosticar distúrbios psiquiátricos
e planejar tratamentos.
Então, isso é muito legal.
E outro está fazendo um robô pintor.
Que soa muito legal, também.
Então, é muito bom ver
todos os usos criativos
que a comunidade está fazendo,
colocando o TensorFlow em uso
para resolver seus problemas.
E também que a comunidade
está contribuindo para melhorar
o núcleo base do TensorFlow.
Portanto, estamos muito felizes
por ter todos aqui,
tanto pessoalmente quanto na transmissão,
para a primeira Conferência do TensorFlow.
E queremos ver todas as coisas incríveis
que vocês podem fazer com o TensorFlow.
Muito obrigado.
Faz um ano desde que colocamos
o TensorFlow em código aberto,
e estamos extasiados em ver
a adoção pela comunidade
e o progresso do desenvolvimento,
tanto aqui na Google
quanto ao redor do mundo.
O TensorFlow é a ferramenta
primária que utilizamos

Spanish: 
Y acabo de elegir una pareja.
Por lo tanto, hay un...
continuando en el tema médico
un grupo está haciendo la clasificación
en la agrupación de redes neuronales
basado en MRI para diagnosticar
trastornos psiquiátricos
y planificar el tratamiento.
Así que, eso es muy bueno.
Y otro está haciendo un robot-pintor.
Que suena muy bien, también.
Por lo tanto, creo que es realmente
agradable ver todos los usos
creativos que la comunidad 
está haciendo para poner TensorFlow
como base en la solución de sus problemas.
Y también que la comunidad 
está contribuyendo a mejorar
la base de los colaboradores
de TensorFlow.
Así que estamos muy emocionados
de tener a todos aquí
tanto en persona como en directo 
para la primera TensorFlow Dev Summit.
Y queremos ver todas las cosas increíbles 
que ustedes pueden hacer con TensorFlow.
Así que muchas gracias.
Hace poco más de un año
que abrimos TensorFlow
y nos ha encantado ver
la adopción de la comunidad
y el ritmo de desarrollo, tanto en Google
como en todo el mundo.
TensorFlow es realmente 
la principal herramienta

Indonesian: 
Saya pilih beberapa penggunaan saja.
Melanjutkan tema medis, sebuah grup
melakukan pengelompokan jaringan otak
berbasis MRI untuk mendiagnosis gangguan
kejiwaan dan rencana perawatan.
Ini sangat keren.
Yang lainnya, membuat robot
yang bisa mengecat.
Kedengarannya keren juga.
Senang sekali melihat
semua penggunaan kreatif
yang dilakukan komunitas
dengan menggunakan TensorFlow
dalam memecahkan masalah mereka.
Juga, komunitas berperan
untuk terus meningkatkan
inti dasar dari TensorFlow.
Jadi, kami sangat senang
bertemu Anda di sini
untuk menghadiri Konferensi
Pengembang TensorFlow pertama
baik datang langsung
atau melalui siaran langsung.
Dan kami ingin melihat semua kehebatan
yang bisa Anda lakukan
dengan menggunakan TensorFlow.
Terima kasih banyak.
Hanya setahun lebih sejak kami jadikan
TensorFlow sumber terbuka
kami sangat senang melihat
pemakaiannya oleh komunitas
dan kecepatan perkembangannya,
baik di Google maupun di seluruh dunia.
TensorFlow adalah alat utama
yang kami pakai

Japanese: 
２点だけお話しました
医学について話を続けますが
あるグループが
精神疾患の診断と治療計画を目的として
分類と MRI ベースの脳内ネットワークの
クラスタリングを行っています
良いですね
もう１つはペインティングロボットです
これも良いですね
コミュニティが問題解決のため
TensorFlow を活用して行う
さまざまな創造的な使い方を
目にするのは嬉しいことです
またコミュニティが TensorFlow の
基盤改善に貢献しているのも嬉しいことです
TensorFlow 開発者会議に
ご来場いただいた皆さんも
ライブでご覧の皆さんも
ご一緒できて嬉しく思います
TensorFlow で皆さんができる
素晴らしいことのすべてを見たいと思います
どうもありがとうございました
TensorFlow を
オープンソース化してからほんの１年で
Google 社内でも世界中でも
コミュニティにより採用され
急速に発展しているのを見て嬉しく思います
TensorFlow は

Korean: 
그 중 두 가지를 뽑아 봤어요
의학 테마를 이어 나가겠습니다
하나는 정신질환을 진단하고
치료 계획을 위해 MRI에 기초한
뇌 신경망을 클러스터 분류를
하고 있습니다
정말 멋진 일이죠
다른 그룹은 그림 그리는
로봇을 하고 있습니다
이것 또한 정말 멋지죠
커뮤니티가 문제 해결을 위해
텐서플로우를 사용하려는
이 모든 창의적 활용이
정말 보기 좋습니다
또한 커뮤니티는
턴서플로우 베이스 코어를
향상시키는 데에도 공헌하고 있습니다
최초 텐서플로우 개발 써밋에
직접 그리고
라이브스트림으로 참석해 주신 여기 계신
모든 분들 덕분에 너무 기쁘고
여러분들이 텐서플로우로 하고 있는
모든 멋진 일들도 보고 싶습니다
정말 감사합니다
텐서플로우를 오픈소스화 한지
1년이 넘었습니다
커뮤니티의 활용도 이곳 Google과
전 세계에서의 발전을 보게 되어
너무 기쁩니다
텐서프로우는 저희 모든 제품에서
머신 러닝 작업의

English: 
and I just picked a couple.
So continuing on
the medical theme,
one group is doing
classification and clustering
of MRI based brain networks to
diagnose psychiatric disorders
and plan treatment.
So that's pretty cool.
And another one is
doing a painting robot,
which sounds pretty cool also.
So I think it's just really nice
to see all the creative uses
that the community is making
for putting TensorFlow to use
in solving their
problems, and also
that the community is
contributing to improving
the base core TensorFlow.
So we're really excited
to have everyone here,
both in person and
on the livestream
for our first
TensorFlow dev summit.
And we want to see all the
amazing things that you
guys can do with TensorFlow.
So thank you very much.
ZAK STONE: It's been
just over a year
since we open
sourced TensorFlow,
and we've been thrilled
to see the adoption
by the community and
the pace of development,
both here at Google and
all around the world.
JEFF DEAN: TensorFlow is
really the primary tool

Chinese: 
我只挑选了一些例子
继续谈论医药界
一组正在进行群集 MRI 基础大脑网络的分类
来诊断精神疾病以及治疗方案
很不错
另一组在建造一个会作画的机械人
听起来也很不错
看见社群利用 TensorFlow
有创意地解决问题
感觉非常好
社群也一直在协助改善
TensorFlow 的基础核心
我们非常高兴大家能到场
还有观看直播的朋友
关注第一个 TensorFlow 开发者会议
我们想让大家看看
利用 TensorFlow 能实现的东西
谢谢你们
(Zack) 开放源码已经有超过一年的时间了
我们非常开心社群接纳了它
以及 Google
和全世界的发展速度
(Jeff) TensorFlow 是我们产品里机器学习

Indonesian: 
untuk pembelajaran mesin
pada semua produk kami.
Sampai akhir tahun lalu, kami bangun
sistem penerjemahan yang sangat baru
berdasarkan deep neural net.
Di Gmail, kami bisa membangun
model TensorFlow
yang bisa memprediksi balasan email
dengan memahami konteks pesan
yang Anda terima.
Itu fitur yang kami sebut Smart Reply.
Retinopati diabetik adalah penyebab
kebutaan yang berkembang cepat.
Itu adalah komplikasi dari diabetes.
Kami kumpulkan data yang besar,
dan meminta dokter menggolongkannya.
Kami menggunakan TensorFlow
melatih neural net yang bekerja bagus
dalam memprediksi
jika ada retinopati diabetik dalam gambar.
Bisakah kita memakai TensorFlow
untuk membuat musik?
Untuk membuat seni dan mempermudah
komunikasi satu sama lain.
Dengan TensorFlow,
kita bisa berpikir secara abstrak
hampir pada level yang sama seperti
peningkatan dalam pembelajaran mesin.
Kami bisa mencoba hal baru,
menggabungkan model
dengan cara yang sebelumnya tidak
mungkin tanpa daya ekspresi.

Spanish: 
que estamos usando
para una gran parte de nuestro trabajo
de aprendizaje automático 
en todos nuestros productos.
Hacia finales del año pasado, 
implementamos un sistema de traducción
completamente nuevo 
basado en redes neurales profundas.
En Gmail, hemos podido implementar
un modelo de TensorFlow
que, al comprender el contexto
del mensaje que acabas de recibir
podemos predecir las posibles respuestas.
Y esta es una característica
que llamamos Smart Reply.
La retinopatía diabética
es la causa de ceguera
que está creciendo más rápidamente.
Es una complicación de la diabetes.
Hemos reunido un grupo de datos
muy grandes
y doctores categorizando las imágenes
y luego, utilizando TensorFlow,
entrenamos una red neural
que hace un buen trabajo 
de predicción habiendo o no
retinopatía diabética en la imagen.
¿Podemos usar algo 
como TensorFlow para hacer música?
Hacer arte y permitirnos comunicarnos
mejor unos con otros.
Con TensorFlow, somos capaces 
de pensar abstractamente
casi en un nivel de improvisación
con el aprendizaje automático.
Somos capaces de probar
cosas nuevas, trocear modelos
de maneras que eran imposibles antes
que tuviéramos ese tipo de expresividad.

Japanese: 
私達の全製品の機械学習の仕事の
多くに使用している最重要ツールです
昨年末頃
深層ニューラルネットに基づいた
全く新しい翻訳システムを公開しました
Gmail で
TensorFlow モデルを公開できました
受信したメッセージの文脈を理解することで
適した返信を予測できるのです
Smart Reply と呼ぶ機能です
糖尿病性網膜症は
盲目の急進行原因となります
糖尿病の合併症の１つです
莫大なデータセットを収集し
医師に画像を評価してもらい
TensorFlow を使用し
ニューラルネットをトレーニングしたのです
画像に糖尿病性網膜症が存在するかを
予測することにおいて非常に良く機能します
TensorFlow のようなものを
音楽やアート制作や
お互いの意思伝達を
円滑にするために使えると思います
TensorFlow で私達は
ほぼ機械学習で即興を行うようなレベルで
抽象的に考えられます
このような表現性を持つ前には
不可能だった方法で
モデルを大きな塊に分け
新しいことを試みることができます

English: 
that we're using for
a lot of our machine
learning work in
all of our products.
Toward the end of
last year, we actually
rolled out a completely
new translation system that
was based on deep neural nets.
In Gmail, we were actually able
to roll out a TensorFlow model
that, by understanding
the context of the message
you just received, we can
predict likely replies
and this is a feature
we call Smart Reply.
LILY PENG: Diabetic retinopathy
is the fastest growing cause
of blindness.
It's a complication of diabetes.
We gathered a very
large data set
and had doctors
grade the images.
And then we, using TensorFlow,
trained a neural net
that does a pretty good job
of predicting whether or not
there is diabetic
retinopathy in the image.
DOUG ECK: Can we use something
like TensorFlow to make music,
to make art, and to allow
us to communicate better
with each other?
With TensorFlow, we're
able to think abstractly,
almost at a level of
like improvisation
with machine learning.
We're able to try new
things, to chunk models
together in ways that
were impossible before we
had that kind of expressivity.

Portuguese: 
em boa parte do trabalho de aprendizado
de máquina em nossos produtos.
Ao final do ano passado, lançamos
um sistema de tradução totalmente novo,
baseado em redes neurais profundas.
No Gmail, pudemos
lançar um modelo TensorFlow
que, ao entender o contexto
da mensagem que você recebeu,
consegue prever possíveis respostas.
É um recurso que chamamos de Smart Reply.
A retinopatia diabética é 
a causa da cegueira que mais tem crescido.
É uma complicação da diabetes.
Reunimos um grande conjunto de dados
e médicos classificaram as imagens,
e então, usando o TensorFlow,
treinamos uma rede neural
que faz um trabalho muito bom
para prever se há ou não
retinopatia diabética na imagem.
Podemos usar algo como o TensorFlow
para fazer música?
Para fazer arte e nos permitir
comunicar melhor entre si?
Com o TensorFlow, podemos
pensar abstratamente,
quase ao nível da improvisação,
com aprendizado de máquina.
Podemos tentar coisas novas,
e reunir modelos
de maneiras que eram impossíveis
antes desse tipo de expressividade.

Chinese: 
主要利用的工具
去年年尾时
我们发布了全新的深层神经网翻译系统
在 Gmail 里成功地推出了
理解邮件内容的 TensorFlow 模型
并能预测回应
我们称这功能为智慧回答
(Lily) 糖尿病网膜症是蔓延得最快的失明祸首
是糖尿病的并发症
我们集合了非常庞大的数据
再让医生对图片分级
利用 TensorFlow 训练神经网
来精准地预测
图片内是否存在着糖尿病网膜症
我们是否能用 TensorFlow 创作音乐呢？
创作的艺术能让大家更好地沟通
利用 TensorFlow, 我们能像机器学习一样
抽象地思考即兴之作
我们能尝试新事物
以前不可能的项目现在能办到了

Korean: 
많은 부분을 위해
사용하고 있는 주된 도구입니다
작년 말쯤 저희는
딥 인공신경망에 기초한
완전히 새로운 번역 시스템을
출시했습니다
Gmail에서 텐서플로우 모델을
시작할 수 있었죠
방금 받은 메시지의 내용을 이해함으로써
가능한 답변을 예측할 수 있죠
이것은 스마트 답변이라고
부르는 피쳐입니다
당뇨망막병증은 눈을 멀게 하는 요인 중
가장 빠르게 늘어나고 있습니다
당뇨 합병증이죠
저희는 아주 많은 데이터 세트를 모으고
의사들이 이미지에 점수를 매긴 후
저희가 텐서플로우를 이용해서
그 이미지에
당뇨망막병증이 있는가를
예측을 잘 할 수 있도록
인공신경망을 훈련시켰죠
텐서플로우를 이용해서
음악을 만들 수도 있을까요?
예술을 창조하고 서로 더 잘
소통할 수 있게 말이죠
텐서플로우를 통해 우리는
추상적으로 생각할 수 있습니다
머신 러닝으로 즉흥연주를 하는
수준 정도까지 말이죠
새로운 것을 시도할 수 있고
이런 종류의 표현성을
가지기 전에는 불가능했던 방식으로
모델을 하나로 뭉칠 수 있죠

Japanese: 
ジュゴンは世界規模で
絶滅危惧種として分類されています
私達はドローンを用いて
多くの空中調査を行いました
非常に広範囲の地域に及ぶ調査を行ったあと
得る写真は数十
数百数千ではないにせよ
目標はこのプロセス全体を
自動化する方法を見つけることでした
そこで TensorFlow を使用しているのです
今年の TensorFlow の焦点の１つは
パフォーマンスです
分散トレーニングサポートの
リリースを嬉しく思います
最高の分散パフォーマンスを得るのに
内部のすべてを知る必要がないように
使用する人の仕事を楽にしたいのです
XLA は TensorFlow に
コンパイルできるものです
事前にグラフをコンパイルし
メモリサイズを小さくし
携帯電話や他小さな携帯デバイスのような
記憶領域が沢山なくても
簡単にロードして実行することができます
Hexagon Vector extensions を
発表したとき

Spanish: 
Los dugongos se clasifican 
como vulnerables a la extinción global.
Por lo tanto, hacemos un montón 
de estudios aéreos usando drones
entonces una vez que haya hecho
una encuesta de un área realmente grande
que terminan con decenas, 
sino cientos de miles de fotos.
El objetivo era encontrar una manera
de automatizar todo ese proceso.
Por lo tanto, es donde hemos estado
usando TensorFlow.
Una de las cosas que nos hemos centrado
en este año con TensorFlow
es el rendimiento.
Hemos estado especialmente emocionados
por liberar soporte
para el entrenamiento distribuido.
Queremos que sea más fácil para la gente
por lo que no tienen que necesariamente
conocer todos los alineamientos internos
para obtener el rendimiento
distribuido lo mejor posible.
XLA es algo que puede compilar TensorFlow.
Tal vez desean compilar 
su gráfico antes de tiempo
y bajar a algo mucho más compacto
en términos de tamaño de memoria, 
de modo que de esa manera se puede cargar
y ejecutarlo en algo que no tenga
tanto espacio de almacenamiento,
como un Teléfono móvil
o algún otro dispositivo portátil
más pequeño.
Cuando introdujimos 
las extensiones de Hexagon Vector

Chinese: 
(Amanda) 全球的大儒艮被归类为濒危动物
我们用了无人驾驶飞机做了许多空中调查
当你完成了庞大地区的调查
你将拥有上百千张图片
我们的目的是把整个过程自动化
在这里使用了 TensorFlow
今年我们关注 TensorFlow
无非是效能
我们非常高兴发布
分散式训练的支持
(Megan) 我们想让它更容易使用
不需要了解深层的内置
也能得到最好的分散式效能
XLA 可以汇集 TensorFlow
若你想预先汇集图标
让它的存储容量变得更浓缩
而让你可以轻松地加载
在一个容量不多的器件
例如手提电话或其他流动器件里执行
(Rick) 当我们介绍 Hexagon Vector eXtensions

English: 
AMANDA HODGSON:
Dugongs are classed
as vulnerable to
extinction globally.
So we do a lot of aerial
surveys using drones.
Then once you've done a
survey of a really large area,
you end up with tens, if
not hundreds of thousands
of photos.
The goal was to find a way to
automate that whole process.
And that's where we've
been using TensorFlow.
ZAK STONE: One of
the things that we've
been focusing on this year
with TensorFlow is performance.
We've been especially
excited to release support
for distributed training.
MEGAN KACHOLIA:
We want to make it
easier for people to use so they
don't have to necessarily know
all of the underlying internals
in order to get the distributed
performance the best it can be.
[INAUDIBLE] is something that
can compile down TensorFlow.
Maybe you want to compile
your graph ahead of time
and get it down to
something much more compact
in terms of memory size, so
that that way you can easily
load it and execute it on
something that might not
have as much storage
space, like a mobile phone,
or some other portable,
smaller device.
RICK MAULE: When we introduced
the Hexagon vector extensions,

Portuguese: 
Dugongos foram classificados
como globalmente vulneráveis à extinção.
Então, fazemos muitas
pesquisas aéreas com drones e,
após uma pesquisa numa grande área,
você termina com dezenas,
ou centenas de milhares de fotos.
O objetivo era encontrar uma forma
de automatizar todo esse processo.
Então, foi aí onde utilizamos
o TensorFlow.
Uma das coisas que focamos neste ano
com o TensorFlow é a performance.
Ficamos especialmente felizes por lançar
suporte para treinamento distribuído.
Queremos facilitar sua utilização,
para que as pessoas
não tenham que, necessariamente,
conhecer todos os detalhes internos
para obter a melhor 
performance distribuída possível.
O XLA é algo que pode compilar
o TensorFlow.
Talvez você queira compilar 
um gráfico antecipadamente
e transformá-lo em algo
muito mais compacto
em termos de tamanho de memória,
para que possa carregá-lo facilmente
e executá-lo em algo que pode não ter
muito espaço de armazenamento,
como celulares e dispositivos menores.
Ao introduzir o Hexagon Vector eXtensions,

Indonesian: 
Duyung diklasifikasikan sebagai hewan
yang rentan kepunahan secara global.
Jadi, kami melakukan banyak
survei udara dengan drone.
Ketika kami selesai melakukan survei
wilayah yang sangat besar
hasilnya adalah ratusan ribu foto.
Tujuannya adalah untuk menemukan cara
mengotomasikan seluruh proses tersebut.
Di sinilah kami memakai TensorFlow.
Salah satu fokus kami tahun ini
pada TensorFlow adalah kinerja.
Kami sangat senang merilis dukungan
untuk latihan terdistribusi.
Kami ingin mempermudahnya untuk digunakan
jadi pengguna tidak harus tahu
semua sistem penting
untuk memperoleh kinerja terdistribusi
terbaik yang bisa ada.
XLA bisa mengumpulkan TensorFlow.
Mungkin sebelumnya Anda ingin
menyusun grafik dan memadatkannya
dalam hal ukuran memori,
jadi akan lebih mudah memuatnya
dan menjalankannya pada perangkat
yang tak memiliki penyimpanan yang besar
seperti telepon seluler atau
perangkat portabel yang lebih kecil.
Saat kami memperkenalkan
Hexagon Vector eXtensions

Korean: 
듀공은 전 세계적으로
멸종 위기에 있는 것으로 분류됩니다
따라서 저희는 드론을 이용해
공중 조사를 많이 했어요
일단 굉장히 큰 영역의 조사를 마치면
수십만 개의 사진을 가지게 됩니다
목표는 이 전체 과정을
자동화하는 방법을 찾는 것이었죠
바로 이 시점에서
텐서플로우를 사용했습니다
올해 저희가 텐서플로우에서
초점을 두는 것 중 하나는 성능입니다
분산환경 훈련에 대한 지원을
발표하게 되어
특히 기쁩니다
사람들이 사용하기
쉽게 만들고 싶습니다
최고의 분산환경 성능을 얻기 위해
기저에 깔린 내부를
반드시 알아야 할 필요가 없도록 말이죠
XLA는 텐서플로우를
컴파일 다운할 수 있는 겁니다
미리 그래프를 컴파일 하고
메모리 사이즈가 훨씬 더 작은 것으로
만들고 싶을지도 모르죠
그러면 쉽게 로딩해서
저장 공간이 크지 않은 핸드폰이나
다른 휴대 기기에서
실행할 수 있도록 말이죠
헥사곤 벡터 eXtension을 소개했을 때

Japanese: 
念頭にあったのは
画像機能でのユーザー経験の向上でした
TensorFlow チームが
ニューラルネットワーク実行効率に
必要なのは低精度の乗算だけだというので
テストを行いました
Inception-v3 の同じグラフで
CPU での実行と比較して
速さは８倍で電力は４分の１でした
TensorFlow は優れていて作業しやすく
多くの可能性があります
私達のエンジニアチームと
彼らのエンジニアチームが共同し
非常におもしろいことができました
これを始めとして
画像処理と機械学習でできる
素晴らしいことに向け
遥かな進化を遂げるでしょう
TensorFlow の共有に加え
Google はエコシステムツールを共有しました
これは研究から稼働までに必要な
すべてを含んでいます
そのツールの１つは
TensorFlow Serving です
これはオープンソースで
高性能のサービングソリューションです
もう１つ優れたツールは非常に美しい
Embedding Visualizer です

Spanish: 
lo que teníamos en mente era mejorar
las experiencias de los usuarios
con las funciones 
de generación de imágenes.
Entonces, el equipo de TensorFlow
dijo que solo necesitaba
multiplicaciones de baja precisión
para poder ejecutar
eficientemente estas redes neuronales.
Por lo tanto, hicimos algunas pruebas,
y en el mismo gráfico
Inception-v3, éramos ocho veces más rápido
y cuatro veces mejor
en ahorro energético que las CPUs.
TensorFlow es genial para trabajar,
fácil de trabajar
con mucha capacidad.
Así, nuestros equipos de ingeniería 
y sus equipos de ingeniería juntos
pudimos hacer algo muy emocionante.
Esto es sólo el comienzo 
de lo que terminará siendo
una larga evolución 
de algunas cosas geniales
que podemos hacer 
con el aprendizaje automático
en el procesamiento de imágenes.
Además de compartir TensorFlow
Google también ha compartido
un ecosistema de herramientas
que contiene todo lo necesario 
para ir desde la investigación
hasta la producción.
Una de estas herramientas
es TensorFlow Serving.
Y esta es una fuente abierta, 
de alto rendimiento
dando soluciones.
Otra gran herramienta, 
que es realmente muy bonita
es el Visualizador de Integrados.
Y puede utilizar 
el Visualizador de Integrados

Portuguese: 
queríamos aprimorar
a experiência do usuário
com recursos de imagens.
A equipe do TensorFlow
disse que você só precisaria
de multiplicadores
de baixa precisão para executar
essas redes neurais com eficiência.
Então, fizemos alguns testes e,
no mesmo gráfico, Inception-v3,
fomos oito vezes mais rápidos
com quatro vezes menos potência
do que em CPUs.
O TensorFlow é ótimo
e fácil para trabalhar,
e com muita capacidade.
Então, nossas equipes de engenharia
trabalharam juntas,
e fizemos algo muito empolgante.
Isto é apenas o começo do que será
uma longa evolução de coisas incríveis
para fazer com aprendizado de máquina
em processamento de imagem.
Além de compartilhar o TensorFlow,
a Google compartilhou
um ecossistema de ferramentas,
que contém tudo que você precisa
para ir de pesquisa para produção.
Uma delas é o TensorFlow Serving.
É uma solução em código aberto
de alta performance.
Outra ótima ferramenta, e também
muito bonita, é o Embedding Visualizer.

Korean: 
저희 생각은 이미지 피처로
사용자 경험을 향상시키고자
하는 것이었습니다
텐서플로우 팀은 이러한
인공 신경망을
실행시키기 위해
낮은 프리시젼 배속만이
필요하다고 합니다
저희가 검사를 해봤는데요
이 그래프에서
인셉션-v3의 경우 저희가
CPU에서 실행하는 것보다 8배속으로
4배로 낮은 파워를 보였죠
텐서플로우는 일하기 좋고 쉽고
많은 능력이 있어요
따라서 저희 엔지니어링 팀과
텐서플로우 팀이 함께 일하면서
정말 멋진 무언가를 만들 수 있었습니다
우리가 이미지 프로세싱에서
머신러닝으로 할 수 있는
훌륭한 일의 기나긴 진화의
시작에 불과하죠
텐서플로우를 공유하는 것 뿐 아니라
Google은 도구의
에코시스템도 공유했습니다
이는 연구에서 생산에 이르기까지
여러분이 필요한 모든 것을 포함합니다
그러한 도구 중 하나가
텐서플로우 서빙입니다
이는 오픈 소스이고
고성능 서빙 해결법이죠
또다른 도구로는 굉장히 아름다운
임베딩 비쥬얼라이저가 있습니다

English: 
what we had in mind was
enhancing user experiences
with imaging features.
ERICH PLONDKE: So
the TensorFlow team
said that you only needed
low precision multipliers
to be able to execute these
neural networks efficiently.
So we did some tests, and on the
same graph, Inception section
v3, we were eight times
faster and four times lower
power than running on the CPUs.
RICK MAULE: TensorFlow
is great to work
with, easy to work with,
lots of capability.
So our engineering teams
and their engineering teams
working together, we were able
to do something very exciting.
This is just the
beginning of what
will end up being a long
evolution of some great things
we can do with machine
learning and image processing.
JOSH GORDON: In addition
to sharing TensorFlow,
Google has also
shared a ecosystem
of tools, which
contains everything
you need to go all the way
from research to production.
One such tool is
TensorFlow Serving,
and this is a open source, high
performance serving solution.
Another great tool, which
is actually quite beautiful,
is the embedding visualizer.
And you can use the
embedding visualizer

Indonesian: 
yang kami pikiran adalah meningkatkan
pengalaman pengguna dengan fitur gambar.
Nah, tim TensorFlow berkata bahwa
Anda hanya perlu low precision multiplies
untuk bisa menjalankan
jaringan neural secara efisien.
Jadi, kami lakukan beberapa tes
pada grafik yang sama, Inception-v3
kami lebih cepat delapan kali
dan tenaga empat kali lebih rendah
daripada menjalankannya di CPU.
TensorFlow itu hebat, mudah dipakai,
banyak kemampuannya.
Tim teknik kami dan tim teknik mereka
bekerja sama, kami bisa lakukan hal hebat.
Ini hanya awal dari apa yang akan menjadi
evolusi lama beberapa hal hebat
yang bisa dilakukan dengan pembelajaran
mesin di pengolahan gambar.
Selain membagikan TensorFlow,
Google juga telah membagi ekosistem alat
yang berisi semua kebutuhan Anda
dari penelitian sampai produksi.
Salah satunya adalah TensorFlow Serving.
Ini adalah solusi serving sumber terbuka
dan berkinerja tinggi.
Alat hebat lain yang juga cukup indah
adalah Embedding Visualizer.
Anda bisa memakai Embedding Visualizer

Chinese: 
我们想改善用户体验
适用图片功效的经验
(Erich) TensorFlow 团队表示
你只需要低精度加倍器
就能让复杂的网络系统更有效
我们做了一些试验
在同一个图标里加入Inception-v3
比起 CPU 操作快了8倍
却少了4倍的耗能
(Rick) TensorFlow 非常好用
非常容易上手
还有非常多的功能
我们的工程组
和他们的工程组携手
一起创造了非常棒的产品
这只是刚开始
它将会是我们用着机器学习
执行图像处理的长期演变
(Josh) 除了分享 TensorFlow
Google 也分享了全套的工具
让你能从研究到生产都应用自如
其中一个工具是 TensorFlow 服务
这是高效率的开放源码服务解决方案
还有一个挺优美的工具
名为嵌入可视化工具

Spanish: 
para explorar interactivamente 
conjuntos de datos de alta dimensión.
En la parte de la educación
la Asamblea General ha hecho 
un gran trabajo enseñando TensorFlow.
Para mi proyecto final, 
estaba realmente interesado
en hacer generación de lírica.
Y TensorFlow fue un gran partido
para eso, porque me permitió
construir y utilizar los modelos 
que necesitaba para tener éxito.
La Comunidad TensorFlow 
está prosperando en todo del mundo.
Y estamos emocionados de que tanta gente
como sea posible formen parte de esto.
TensorFlow es un proyecto 
de código abierto para todos.
Estamos deseando construir
esto en algo aún mejor
y más útil y poderoso
en colaboración 
con toda la comunidad mundial.

English: 
to interactively explore
high dimensional data sets.
On the education
side, General Assembly
has done great work
teaching TensorFlow.
NEHEMIAH LOURY: For
my final project,
I was really interested in
doing lyrics generation.
And TensorFlow was a really
great match for that,
because it allowed me to build
out and utilize the models
that I needed to be successful.
ZAK STONE: The
TensorFlow community
is thriving around
the world, and we're
excited about as many people
as possible being part of it.
TensorFlow is an open
source project for everyone.
We're looking forward
to building this
into something even better, and
more useful, and more powerful
in collaboration with the
whole worldwide community.

Indonesian: 
untuk meneliti data berdimensi tinggi
secara interaktif.
Di sisi pendidikan, Majelis Umum melakukan
kerja hebat dalam mengajar TensorFlow.
Untuk proyek akhir saya,
saya sangat tertarik untuk membuat lirik.
Dan TensorFlow pilihan yang tepat,
karena saya bisa membangun
dan menggunakan model
yang diperlukan agar berhasil.
Komunitas TensorFlow berkembang
di seluruh dunia.
Kami senang, semakin banyak orang
yang menjadi bagian darinya.
TensorFlow adalah proyek sumber terbuka
untuk semua orang.
Kami berharap bisa membangunnya
menjadi lebih baik
lebih berguna dan lebih hebat
dengan bekerja sama
dengan komunitas di seluruh dunia.

Japanese: 
Embedding Visualizer で
高次元のデータセットを相互研究できます
教育側では General Assembly が
TensorFlow の授業で成果を上げています
私の最終課題として 
歌詞の生成を行うのは興味深かったです
TensorFlow は
目的に非常に適していました
成功するために必要だったモデルを
ビルドアウトし活用できたからです
TensorFlow コミュニティは
世界中で活気があります
非常に多くの方々が
参加していることを嬉しく思います
TensorFlow はあらゆる人のための
オープンソースプロジェクトです
世界規模のコミュニティで共同し
より良く有用で強力なものにできることを
楽しみにしています
[2017年 TensorFlow 開発者会議]

Korean: 
임베딩 비쥬어라이저를 사용해서
고차원 데이터 세트를 쌍방향으로
탐색할 수 있죠
교육 측면에서 제너럴 어셈블리가
텐서플로우 교육에 훌륭한 일을 했죠
제 마지막 프로젝트로 저는
노래가사 생성에
흥미를 가지고 있었습니다
그래서 텐서플로우가 정말 잘 맞았죠
성공하기 위해 필요한 모델을 만들고
활용할 수 있게 해줬으니 말이죠
텐서플로우 커뮤니티는
전 세계적으로 번성하고 있습니다
최대한 많은 분들이 참여하면 좋겠습니다
텐서플로우는 모든 분들을 위한
오픈 소스 프로젝트입니다
전 세계 커뮤니티와
협력해서 훨씬 더 좋고
더욱 유용하고 강력한 무언가로
만들 수 있길 바랍니다

Portuguese: 
E você pode utilizá-lo
para explorar interativamente
conjuntos de dados em alta dimensão.
No lado educacional, a General Assembly
fez um ótimo trabalho com TensorFlow.
Para meu projeto final, 
estava muito interessado
em fazer geração de letras de música.
O TensorFlow foi 
uma ótima opção para isso,
porque me permitiu construir
e utilizar os modelos
que eu precisava para obter sucesso.
A Comunidade TensorFlow
está prosperando pelo mundo.
E estamos felizes com tantas pessoas
fazendo parte dela.
O TensorFlow é um projeto
em código aberto para todos.
Estamos ansiosos para transformá-lo
em algo ainda melhor,
mais útil e poderoso,
em colaboração com
toda a comunidade global.

Chinese: 
你能使用它互动性地
探索高维数据集
在教育方面General Assembly
非常有效地训练 TensorFlow
我的最终项目
是歌词创作
TensorFlow 非常适合那个项目
它让利用应用模型完成了任务
(Zack) TensorFlow 社群在全球都非常活跃
我们非常高兴那么多人的参与
TensorFlow 是为大家而设的开放源码项目
借助全世界社群的力量
我们期待把它变得更好
更有用，更有效
