add Chinese translation into json file (#89)

* fixed the captions of expression

* Use template in translated Chinese pages

* Make presentations page use translated data on talks

Co-authored-by: Dominique Hazael-Massieux <[email protected]>

Author: ruoxiran

_data/pages.yml

@@ -1,10 +1,13 @@
 pages:
 - title: Call for Participation
   url: index.html
-
+  url_zh: index_zh.html
+  title_zh: 会议征集
 - title: Presentations
+  title_zh: 会议演讲话题
   url: presentations.html
-
+  url_zh: presentations_zh.html
 - title: Apply as a speaker
   url: speakers.html
-
+  url_zh: speakers_zh.html
+  title_zh: 申请成为讲者

_data/talks.json

@@ -0,0 +1,7 @@
+<div class="talks"><details class=talk><summary><div class="grid"><a href="talks/privacy_first_approach_to_machine_learning.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdor50iyc9lm07729dsrtpqu/thumbs/thumb-001.jpeg" alt="Watch 隐私优先的机器学习方法" width=200 class="tn"></a><a href="talks/privacy_first_approach_to_machine_learning.html">隐私优先的机器学习方法</a><span class="summary"> by Philip Laszkowicz - 11 min <span></span></span></div></summary><p><a href="talks/privacy_first_approach_to_machine_learning.html">11 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Philip Laszkowicz</dd><dt>Abstract</dt><dd>这次演讲将讨论开发人员应该如何构建现代web应用程序，以及现有的生态系统中哪些缺失使得隐私优先的机器学习成为可能，包括WASI、模块化web架构和本地化分析所面临的挑战。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/machine_learning_and_web_media.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/cke43ihp10fub0731lohsnpmo/thumbs/thumb-001.jpeg" alt="Watch 机器学习和 Web 媒体" width=200 class="tn"></a><a href="talks/machine_learning_and_web_media.html">机器学习和 Web 媒体</a><span class="summary"> by Bernard Aboba (微软) - 7 min <span></span></span></div><span class=added>Added on 2020-08-26</span></summary><p><a href="talks/machine_learning_and_web_media.html">7 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Bernard Aboba (微软)</dd><dt>Abstract</dt><dd>演讲将讨论机器学习中对原始视频的有效处理，强调最小化内存拷贝和与WebGPU集成的必要性。</dd></dl></details>
+<details><summary><div class="grid"><span>PENDING </span><a>机器学习硬件的改进：在保持可移植性的同时利用性能</a><span class="summary"> by Cormac Brick (英特尔) <span></span></span></div></summary><dl><dt>Speaker</dt><dd>Cormac Brick (英特尔)</dd><dd>Cormac在英特尔领导Edge推理IP架构。2016年英特尔收购Movidius，Cormac加入英特尔，他曾在那里领导机器智能的研发。</dd><dt>Abstract</dt><dd>硬件技术中有很多有趣的创新，包括硬件加速，重量压缩，重量稀疏性，低精度。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/opportunities_and_challenges_for_tensorflow_js_and_beyond.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdobxb1t766z0772f2e19nqo/thumbs/thumb-001.jpeg" alt="Watch TensorFlow.js 及以后的机遇与挑战" width=200 class="tn"></a><a href="talks/opportunities_and_challenges_for_tensorflow_js_and_beyond.html">TensorFlow.js 及以后的机遇与挑战</a><span class="summary"> by Jason Mayes (谷歌) - 10 min <span></span></span></div></summary><p><a href="talks/opportunities_and_challenges_for_tensorflow_js_and_beyond.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Jason Mayes (谷歌)</dd><dd>TensorFlow.js 的开发者</dd><dt>Abstract</dt><dd>这次演讲将简要介绍TensorFlow.js，它如何帮助开发人员构建基于机器学习的应用程序，以及一些推动web边界的例子，并讨论了web技术堆栈的未来方向，以帮助克服web中使用机器学习的障碍，这是TF.js社区遇到的。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/machine_learning_in_web_architecture.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdo77c2k4srf07726abf6aps/thumbs/thumb-001.jpeg" alt="Watch Web 架构中的机器学习 " width=200 class="tn"></a><a href="talks/machine_learning_in_web_architecture.html">Web 架构中的机器学习 </a><span class="summary"> by Sangwhan Moon - 4 min <span></span></span></div></summary><p><a href="talks/machine_learning_in_web_architecture.html">4 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Sangwhan Moon</dd></dl></details>
+<details><summary><div class="grid"><span>PENDING </span><a>将深度学习引入浏览器：我们能走多远?</a><span class="summary"> by Yun Ma <span></span></span></div></summary><dl><dt>Speaker</dt><dd>Yun Ma</dd><dd>马郓，清华大学软件学院博士后研究员。他于2017年6月在北京大学获得博士学位。他的研究兴趣在于移动计算、网络系统和服务计算。他在万维网的WWW和ACM Trans上发表了几篇论文。最近，他专注于如何让浏览器更好地支持深度学习任务。</dd><dt>Abstract</dt><dd>最近，出现了几个基于javascript的深度学习框架，使直接在浏览器中执行深度学习任务成为可能。然而，对于我们在浏览器中使用这些框架进行深度学习能做些什么以及做得如何，我们知之甚少。在这次演讲中，我将展示我们最近在浏览器中进行的深度学习的实证研究。我们调查了7个最流行的基于javascript的深度学习框架，调查了到目前为止，浏览器对深度学习任务的支持程度。然后我们测量不同框架在运行不同深度学习任务时的性能。最后，通过比较TensorFlow.js和TensorFlow在Python中的性能，找出了浏览器和本地平台上深度学习的性能差距。我们的发现可以帮助应用程序开发人员、深度学习框架供应商和浏览器供应商提高浏览器深度学习的效率。本次演讲的内容发表于2019年的WWW。</dd></dl></details>
+</dl>

_includes/talk-list1_zh.html

@@ -0,0 +1,12 @@
+<div class="talks"><details class=talk><summary><div class="grid"><a href="talks/web_platform_a_30_000_feet_view_web_platform_and_js_environment_constraints.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdo77h2f4st7077212hxr6v7/thumbs/thumb-001.jpeg" alt="Watch Web平台：30,000英尺高的视角来审视 Web平台和JS环境约束" width=200 class="tn"></a><a href="talks/web_platform_a_30_000_feet_view_web_platform_and_js_environment_constraints.html">Web平台：30,000英尺高的视角来审视 Web平台和JS环境约束</a><span class="summary"> by Dominique Hazaël-Massieux (W3C) - 10 min <span></span></span></div></summary><p><a href="talks/web_platform_a_30_000_feet_view_web_platform_and_js_environment_constraints.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Dominique Hazaël-Massieux (W3C)</dd><dd>Dominique 是W3C的全职技术人员之一，负责推动Web标准化工作。他特别负责WebRTC、WebXR和Web & Networks的工作，领导创建了一个WebTransport工作组，也是Web和机器学习研讨会的组织者之一。</dd><dt>Abstract</dt><dd>介绍了Web浏览器作为开发平台的特点的背景。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/media_processing_hooks_for_the_web.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdo86r7h5725077210nfqpeg/thumbs/thumb-007.jpeg" alt="Watch Web 的媒体处理挂钩" width=200 class="tn"></a><a href="talks/media_processing_hooks_for_the_web.html">Web 的媒体处理挂钩</a><span class="summary"> by François Daoust (W3C) - 12 min <span></span></span></div></summary><p><a href="talks/media_processing_hooks_for_the_web.html">12 minutes presentation</a></p><dl><dt>Speaker</dt><dd>François Daoust (W3C)</dd><dd>Francois是W3C的全职技术人员之一，负责管理与媒体技术相关的工作。</dd><dt>Abstract</dt><dd>这次演讲将概述在Web应用程序中实时处理混合和解调媒体(音频和视频)以及呈现结果的现有的、计划的或可能的hook。它还将提出高效媒体处理的高级要求。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/access_purpose_built_ml_hardware_with_web_neural_network_api.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdo75ck44sip0772u0gj0kog/thumbs/thumb-006.jpeg" alt="Watch 使用Web神经网络API访问专用的机器学习硬件" width=200 class="tn"></a><a href="talks/access_purpose_built_ml_hardware_with_web_neural_network_api.html">使用Web神经网络API访问专用的机器学习硬件</a><span class="summary"> by Ningxin Hu (英特尔) - 10 min <span></span></span></div></summary><p><a href="talks/access_purpose_built_ml_hardware_with_web_neural_network_api.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Ningxin Hu (英特尔)</dd><dd>Ningxin是英特尔公司的软件工程师。Ningxin是Web社区团体中W3C机器学习的Web神经网络(WebNN) API规范的共同编辑人。</dd><dt>Abstract</dt><dd>WebNN API是一个新的web标准提案，它允许web应用程序和框架通过专用的设备硬件(如gpu、带深度学习扩展的cpu或专门构建的AI加速器)来加速深度神经网络。我们将使用WebNN API的原型，通过访问手机和PC上的AI加速器来演示深度神经网络执行目标检测的接近本地速度。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/a_proposed_web_standard_to_load_and_run_ml_models_on_the_web.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdocr5ma7m0y0772d7i5jkub/thumbs/thumb-002.jpeg" alt="Watch 在web上加载和运行机器学习模型的提议web标准" width=200 class="tn"></a><a href="talks/a_proposed_web_standard_to_load_and_run_ml_models_on_the_web.html">在web上加载和运行机器学习模型的提议web标准</a><span class="summary"> by Jonathan Bingham (谷歌) - 10 min <span></span></span></div></summary><p><a href="talks/a_proposed_web_standard_to_load_and_run_ml_models_on_the_web.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Jonathan Bingham (谷歌)</dd><dd>Jonathan是Google的web端产品经理.</dd><dt>Abstract</dt><dd>Model Loader API是一个web标准的新提案，它利用可用的硬件加速，使从JavaScript加载和运行ML模型变得容易。API表面类似于现有的模型服务API(如TensorFlow服务、TensorRT和MXNet模型服务器)，它是对Web NN graph API提议以及较低级别的WebGL和WebGPU API的补充.</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/simd_operations_in_webgpu_for_ml.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/cke8ahza81hlp0731tiz1d295/thumbs/thumb-002.jpeg" alt="Watch SIMD运行在WebGPU的机器学习" width=200 class="tn"></a><a href="talks/simd_operations_in_webgpu_for_ml.html">SIMD运行在WebGPU的机器学习</a><span class="summary"> by Mehmet Oguz Derin - 5 min <span></span></span></div><span class=added>Added on 2020-08-26</span></summary><p><a href="talks/simd_operations_in_webgpu_for_ml.html">5 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Mehmet Oguz Derin</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/accelerated_graphics_and_compute_api_for_machine_learning_directml.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdobv3o075l707723b397arm/thumbs/thumb-004.jpeg" alt="Watch 机器学习的加速图形和计算API - DirectML" width=200 class="tn"></a><a href="talks/accelerated_graphics_and_compute_api_for_machine_learning_directml.html">机器学习的加速图形和计算API - DirectML</a><span class="summary"> by Chai Chaoweeraprasit (微软) - 10 min <span></span></span></div></summary><p><a href="talks/accelerated_graphics_and_compute_api_for_machine_learning_directml.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Chai Chaoweeraprasit (微软)</dd><dd>Chai领导了微软机器学习平台的开发</dd><dt>Abstract</dt><dd>DirectML是微软的硬件加速机器学习平台，支持TensorFlow和ONNX运行时等流行框架。它通过在任何设备上使用支持directx的GPU进行高性能训练和推断，扩展了框架的硬件空间</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/accelerate_ml_inference_on_mobile_devices_with_android_nnapi.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdo78esr4t0j0772i5r7h1td/thumbs/thumb-001.jpeg" alt="Watch 使用Android NNAPI加速移动设备上的机器学习推理" width=200 class="tn"></a><a href="talks/accelerate_ml_inference_on_mobile_devices_with_android_nnapi.html">使用Android NNAPI加速移动设备上的机器学习推理</a><span class="summary"> by Miao Wang (谷歌) - 7 min <span></span></span></div></summary><p><a href="talks/accelerate_ml_inference_on_mobile_devices_with_android_nnapi.html">7 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Miao Wang (谷歌)</dd><dd>Android Neural Networks API 工程师</dd><dt>Abstract</dt><dd>Android神经​​网络API（NNAPI）是一个Android C API，旨在在Android设备上运行用于计算机学习的计算密集型操作。 NNAPI旨在为构建和训练神经网络的高级机器学习框架（例如TensorFlow Lite和Caffe2）提供功能的基础层。该API在运行Android 8.1（API级别27）或更高版本的所有Android设备上均可用。基于应用程序的需求和Android设备上的硬件功能，NNAPI可以在可用的设备上处理器（包括专用的神经网络硬件（NPU和TPU），图形处理单元（GPU）和数字信号处理器）上有效地分配计算工作负载（DSP）。</dd></dl></details>
+<details><summary><div class="grid"><span>PENDING </span><a>使用oneAPI和Data Parallel C ++以开放标准进行异构并行编程</a><span class="summary"> by Jeff Hammond (英特尔) <span></span></span></div></summary><dl><dt>Speaker</dt><dd>Jeff Hammond (英特尔)</dd><dd>Jeff Hammond是英特尔公司的首席工程师，在那里他研究广泛的高性能计算主题，包括并行编程模型、系统架构和开源软件。他在并行计算、计算化学和线性代数软件方面发表了60多篇期刊和会议论文。并在芝加哥大学获得物理化学博士学位。</dd><dt>Abstract</dt><dd>计算机体系结构的多样性和数据密集型工作负载中对应用程序性能的不断需求，对程序员来说是永无止境的挑战。这次演讲将描述英特尔的oneAPI计划，这是一个开放的、支持高性能数据分析、机器学习和其他工作负载的异构计算生态系统。其中一个关键组件是数据并行c++，它基于c++ 17和Khronos SYCL，支持CPU、GPU和FPGA平台的直接编程。我们将描述如何使用oneAPI和Data Parallel c++为一系列设备构建高性能应用程序。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/enabling_distributed_dnns_for_the_mobile_web_over_cloud_edge_and_end_devices.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdobyv0p76q107720jc58j6h/thumbs/thumb-002.jpeg" alt="Watch 为基于云，边缘和终端设备的移动Web启用分布式DNN" width=200 class="tn"></a><a href="talks/enabling_distributed_dnns_for_the_mobile_web_over_cloud_edge_and_end_devices.html">为基于云，边缘和终端设备的移动Web启用分布式DNN</a><span class="summary"> by Yakun Huang & Xiuquan Qiao (北京邮电大学) - 9 min <span></span></span></div></summary><p><a href="talks/enabling_distributed_dnns_for_the_mobile_web_over_cloud_edge_and_end_devices.html">9 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Yakun Huang & Xiuquan Qiao (北京邮电大学)</dd><dt>Abstract</dt><dd>本演讲介绍了针对云，边缘和终端设备上的移动网络的两种深度学习技术。一种是自适应DNN执行方案，该方案可以分割并执行可在移动Web内完成的计算，从而减少了边缘云的计算压力。另一个是在云，边缘和设备上的轻型协作DNN，它提供了与边缘云的协作机制以进行准确补偿。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/collaborative_learning.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdobw6x0764l07729krgy57d/thumbs/thumb-001.jpeg" alt="Watch 协同学习" width=200 class="tn"></a><a href="talks/collaborative_learning.html">协同学习</a><span class="summary"> by Wolfgang Maß (DFKI) - 10 min <span></span></span></div></summary><p><a href="talks/collaborative_learning.html">10 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Wolfgang Maß (DFKI)</dd><dd>Saarland大学教授，DFKI科学总监</dd><dt>Abstract</dt><dd>最近在设备上的浏览器中执行数据分析服务的势头强劲，但是设备上缺乏计算资源和数据保护法规正迫使人们施加严格的约束。在我们的演讲中，我们将提出一种基于浏览器的协作学习方法，用于在设备的对等网络上运行数据分析服务。我们的平台使用Javascript开发，支持服务模块化，设备上的模型训练和使用（tensorflow.js），传感器通信（mqtt）以及具有基于角色的访问控制（oauth 2.0）的对等通信（WebRTC）。</dd></dl></details>
+<details class=talk><summary><div class="grid"><a href="talks/introducing_wasi_nn.html"><img src="https://cjx1uopmt0m4q0667xmnrqpk.blob.core.windows.net/ckdobysfk76ns0772a6u4dbq5/thumbs/thumb-001.jpeg" alt="Watch WASI-NN 介绍" width=200 class="tn"></a><a href="talks/introducing_wasi_nn.html">WASI-NN 介绍</a><span class="summary"> by Mingqiu Sun & Andrew Brown (英特尔) - 7 min <span></span></span></div></summary><p><a href="talks/introducing_wasi_nn.html">7 minutes presentation</a></p><dl><dt>Speaker</dt><dd>Mingqiu Sun & Andrew Brown (英特尔)</dd><dd>英特尔高级PE & 英特尔软件工程师</dd><dt>Abstract</dt><dd>训练有素的机器学习模型通常部署在具有不同体系结构和操作系统的各种设备上。 WebAssembly为这些模型提供了理想的便携式部署形式。在本次演讲中，我们将介绍我们在WebAssembly系统接口（WASI）社区中启动的WASI-NN计划，该计划将标准化WebAssembly程序的神经网络系统接口。</dd></dl></details>
+</dl>