Introducing TensorFlow Videos for a Global Audience: Vietnamese

Posted by TensorFlow Team

When the TensorFlow YouTube channel launched in 2018, we had a vision to inform and inspire developers around the world about what was possible with Machine Learning. With series like Coding TensorFlow showing how you can use it, and Made with TensorFlow showing inspirational stories about what people have done with TensorFlow and much more, the channel has grown greatly. But we learned an important lesson: it’s a global phenomenon, and to reach the world effectively, we should provide some of our content in multiple languages with native speakers presenting. Check out the popular Zero to Hero series in Vietnamese!

Nhập môn Học máy với TensorFlow

Dường như mỗi khi bạn lướt web, đọc sách, báo thì thông tin về công nghệ học máy (machine learning) và trí tuệ nhân tạo (AI) luôn đập vào mắt bạn. Trong số đó cũng có không ít những thông tin và quảng cáo thổi phồng về AI. Bởi vậy, từ góc nhìn của developer, chúng tôi trong nhóm TensorFlow quyết định sản xuất một chuỗi video gồm 4 phần về bản chất thực sự của công nghệ học máy, dựa trên bài thuyết trình nổi tiếng của Laurence Moroney tại Google IO 2019 với tựa đề Machine Learning: Zero to Hero (tạm dịch là Công nghệ Học máy: Trở thành chuyên gia từ con số 0 với TensorFlow).

Trong video 1, chúng tôi sẽ giới thiệu về một hình thức lập trình mới là học máy. Trong đó, thay vì lập trình các chỉ thị cho máy tính bằng ngôn ngữ lập trình như Java hoặc C++, thì trong học máy bạn sẽ tạo một chương trình được huấn luyện dựa trên dữ liệu và máy tính sẽ tự suy ra các logic từ dữ liệu này. Vậy công nghệ học máy thực sự là như thế nào? Chúng ta sẽ cùng tìm hiểu về một ví dụ “Hello World” về tạo mô hình học máy, giới thiệu các ý tưởng mà chúng ta sau đó sẽ áp dụng cho một vấn đề thú vị hơn: thị giác máy tính.

Trong video 2, bạn sẽ tìm hiểu về thị giác máy tính dựa trên học máy. Chúng ta sẽ huấn luyện cho máy tính nhìn thấy và nhận diện các đồ vật khác nhau.

Trong video 3, chúng ta sẽ học về các mạng nơ ron tích chập và lý do chúng đóng vai trò quan trọng trong các ứng dụng thị giác máy tính. Tích chập là bộ lọc xử lý hình ảnh và trích xuất các đặc điểm đặc trưng của ảnh. Bạn sẽ tìm hiểu về cách hoạt động của các mạng nơ ron tích chập qua việc xử lý và trích xuất đặc điểm của một tập các hình ảnh thực tế.

Trong video 4, bạn sẽ học về cách xây dựng mô hình phân loại hình ảnh để chơi trò oẳn tù tì. Trong phần 1, chúng ta đã đề cập đến trò chơi oẳn tù tì và việc lập trình để máy tính nhận biết hình ảnh bàn tay ra đấm, lá, kéo khó như thế nào. Tuy nhiên, sau đó chúng ta cũng đã tìm hiểu nhiều về công nghệ học máy, cách xây dựng mạng nơ ron để phát hiện các quy luật từ dữ liệu điểm ảnh, và phương pháp sử dụng mạng tích chập để phát hiện các đặc trưng trong bức ảnh. Trong phần này, chúng ta đã áp dụng những kiến thức đã học từ 3 phần trước để xây dựng mạng nơ ron để máy tính chơi oẳn tù tì.

Hy vọng loạt video này sẽ giúp bạn làm quen với học máy. Nếu có góp ý gì, các bạn hãy viết vào phần comment trong video trên YouTube. Và đừng quên subscribe kênh YouTube của TensorFlow thể xem các video khác về học máy nữa nhé!

Read More

Big Planet, Bigger Data: How UK Research Center Advances Environmental Science with AI

Climate change is a big problem, and big problems require big data to understand.

Few research centers take a wider lens to environmental science than the NERC Earth Observation Data Acquisition and Analysis Service (NEODAAS). Since the 1990s, the service, part of the United Kingdom’s Natural Environment Research Council and overseen by the National Centre for Earth Observation (NCEO), has made the Earth observation data collected by hundreds of satellites freely available to researchers.

Backed by NVIDIA DGX systems as part of the Massive Graphical Processing Unit Cluster for Earth Observation (MAGEO), the NEODAAS team, based at the Plymouth Marine Laboratory in the U.K., supports cutting-edge research that opens up new ways of looking at Earth observation data with deep learning.

Thanks to NVIDIA’s accelerated computing platform they’re now enabling the analysis of these troves of data faster than previously thought possible.

Earth Under Observation

More than 10TB of Earth observation data is collected daily by sensors on more than 150 satellites orbiting the planet. Processing and analyzing this requires a massive amount of compute power.

To facilitate the application of deep learning to this data and gain valuable insights into the planet’s health, NEODAAS installed MAGEO. The large accelerated computing cluster consists of five NVIDIA DGX-1 systems, interconnected with NVIDIA Mellanox InfiniBand networking, and connected to 0.5PB of dedicated storage.

MAGEO was funded through a Natural Environment Research Council (NERC) transformational capital bid in 2019 to provide NEODAAS with the capability to apply deep learning and other algorithms benefiting from a large number of NVIDIA GPU cores, to Earth observation data. The cluster is operated as a service, with researchers able to make use of the compute power and the expertise of NEODAAS staff.

“MAGEO offers an excellent opportunity to accelerate artificial intelligence and environmental intelligence research,” said Stephen Goult, a data scientist at Plymouth Marine Laboratory. “Its proximity to the NEODAAS archive allows for rapid prototyping and training using large amounts of satellite data, which will ultimately transform how we use and understand Earth observation data.”

Using NVIDIA DGX systems, the NEODAAS team can perform types of analysis that otherwise wouldn’t be feasible. It also enables the team to speed up their research dramatically — cutting training time from months to days.

NEODAAS additionally received funding to support the running of an NVIDIA Deep Learning Institute course, made available to members of the National Centre for Earth Observation in March, to foster AI development and training in the environmental and Earth observation fields.

“The course was a great success — the participants left feeling knowledgeable and enthusiastic about applying AI to their research areas,” said Goult. “Conversations held during the course have resulted in the generation of several new projects leveraging AI to solve problems in the Earth observation space.”

Transforming Chlorophyll Detection

Using MAGEO, the NEODAAS team also collaborated on new approaches that have highlighted essential insights into the nature of Earth observation data.

One such success involves developing a new chlorophyll detector to help monitor concentrations of phytoplankton in the Earth’s oceans.

Microscopic phytoplankton are a source of food for a wide variety of ocean life, sustaining everything from tiny zooplankton to gigantic blue whales. But they also serve another purpose that is beneficial to the health of the planet.

Like any plant that grows on land, they use chlorophyll to capture sunlight, which they then turn into chemical energy via photosynthesis. During photosynthesis, the phytoplankton consume carbon dioxide. The carbon byproduct of this process is carried to the bottom of the ocean when phytoplankton die or are carried to other layers when phytoplankton are consumed.

Yearly, phytoplankton transfer about 10 gigatonnes of carbon from the atmosphere to the deep ocean. With high CO2 levels being a major contributor to climate change, phytoplankton are crucial in reducing atmospheric CO2 and the effects of climate change. Even a small reduction in the growth of phytoplankton could have devastating consequences.

Using MAGEO, NEODAAS worked with scientists to develop and train a neural network that has enabled a new form of chlorophyll detector for studying the abundance of phytoplankton on a global scale. The technique uses particulate beam-attenuation coefficient data, calculated by the loss of energy from a beam of light traveling in seawater due to the presence of suspended particles.

The technique means scientists can make accurate chlorophyll measurements much cheaper and faster, using significantly more data, than with the existing lab-based approach once considered the “gold standard” of high-performance liquid chromatography.

“Thanks to the highly parallel environment and the computational performance driven by NVIDIA NVLink and the Tensor Core architecture in the NVIDIA DGX systems, what would have taken 16 months on a single GPU took 10 days on MAGEO,” said Sebastian Graban, industrial placement student at Plymouth Marine Laboratory. “The resulting trained neural network can predict chlorophyll to a very high accuracy and will provide experts with an improved, faster method of monitoring phytoplankton.”

Learn more about NVIDIA DGX systems and how GPU computing is accelerating science.

 

Feature image credit: Plymouth Marine Laboratory.

Contains modified Copernicus Sentinel data [2016]

The post Big Planet, Bigger Data: How UK Research Center Advances Environmental Science with AI appeared first on The Official NVIDIA Blog.

Read More