感谢您发送咨询！我们的团队成员将很快与您联系。
感谢您发送预订！我们的团队成员将很快与您联系。
课程大纲
简介
- TensorFlow与深度学习简介
- TensorFlow的应用场景与用例
- TensorFlow生态系统与工具链
- 机器学习与深度学习工作流
- 课程目标与实践练习概览
TensorFlow 2.x与旧版本对比——新特性
- TensorFlow 1.x与2.x的主要区别
- 即时执行
- 简化的API与易用性提升
- 模型构建与训练的变化
- Keras作为高级API的介绍
- 现有TensorFlow应用的迁移考量
- TensorFlow 2.x最佳实践
TensorFlow 2.x设置
- 安装TensorFlow
- 配置Python环境
- 验证TensorFlow安装
- 安装与管理依赖项
- 配置CPU与GPU环境
- 使用Jupyter notebook配合TensorFlow
- 基础TensorFlow命令与操作
- 排查安装与配置问题
TensorFlow 2.x特性与架构概览
- TensorFlow架构与核心组件
- 张量与张量操作
- 变量与常量
- 计算图与即时执行
- 自动微分
- TensorFlow API与模块
- Keras集成
- 使用
tf.data构建数据管道 - 模型序列化与TensorFlow SavedModel
- TensorFlow生态系统与开发工作流
神经网络的工作原理
- 人工神经网络基础
- 神经元、层与网络架构
- 激活函数
- 前向传播
- 损失函数
- 反向传播
- 梯度下降与优化
- 学习率与优化策略
- 过拟合与欠拟合
- 正则化技术
- 训练集、验证集与测试集
使用TensorFlow 2.x构建深度学习模型
- 创建张量与变量
- 使用Keras构建神经网络
- 顺序模型与函数式模型API
- 定义自定义模型与层
- 配置优化器
- 选择合适的损失函数
- 使用
fit()训练模型 - 自定义训练循环
- 回调函数与训练监控
- 管理模型检查点
数据分析
- 理解用于机器学习的数据集
- 探索结构化与非结构化数据
- 数据可视化
- 识别模式与异常值
- 处理缺失与不一致的数据
- 划分训练集、验证集与测试集
- 选择相关特征
- 为TensorFlow模型准备数据集
数据预处理
- 数据归一化与标准化
- 编码分类数据
- 处理缺失值
- 特征缩放
- 图像预处理
- 文本预处理
- 数据增强
- 构建高效输入管道
- 使用
tf.data - 批处理、洗牌、缓存与预取
- 为模型训练准备数据
构建模型
- 选择合适的神经网络架构
- 定义模型输入与输出
- 创建全连接神经网络
- 选择激活函数
- 配置模型以用于训练
- 选择优化器与损失函数
- 训练与验证模型
- 监控训练指标
- 提升模型性能
- 防止过拟合
- 实现正则化与Dropout
实现先进的图像分类器
- 图像分类基础
- 准备图像数据集
- 图像归一化与数据增强
- 卷积神经网络
- 卷积层与池化层
- 设计图像分类架构
- 迁移学习
- 使用预训练模型
- 微调预训练网络
- 构建高级图像分类器
- 评估分类性能
模型训练
- 配置训练参数
- 批大小与迭代轮次
- 优化器选择
- 学习率调度
- 训练回调函数
- 早停
- 保存模型检查点
- 监控训练进度
- 检测过拟合
- 提升训练性能
- 分布式训练考量
在GPU或TPU上进行训练
- CPU、GPU与TPU架构
- 硬件加速的优势
- 配置TensorFlow用于GPU训练
- 理解基于TPU的训练
- 为不同工作负载选择硬件
- 在设备间移动计算
- 管理内存与计算资源
- 比较训练性能
- 分布式与加速训练策略
模型评估
- 选择合适的评估指标
- 准确率、精确率、召回率与F1分数
- 回归评估指标
- 混淆矩阵
- 验证策略
- 评估分类模型
- 评估模型泛化能力
- 识别模型弱点
- 比较不同模型配置
进行预测
- 使用训练好的模型进行推理
- 准备新的输入数据
- 执行批量与单个预测
- 解释模型输出
- 分类概率
- 回归预测
- 构建推理工作流
- 处理未见过的数据
- 管理预测管道
评估预测
- 分析预测质量
- 将预测与预期结果进行比较
- 识别假阳性与假阴性
- 错误分析
- 评估模型置信度
- 可视化预测结果
- 检测数据与预测偏差
- 基于预测分析提升模型性能
调试模型
- 识别常见训练问题
- 诊断错误预测
- 调试数据管道
- 分析损失与指标行为
- 检测梯度爆炸与梯度消失
- 诊断过拟合与欠拟合
- 检查模型层与输出
- 使用TensorFlow调试与性能分析工具
- 提升模型稳定性与性能
保存模型
- 保存训练好的模型
- TensorFlow SavedModel格式
- 保存与恢复模型权重
- 保存模型架构与配置
- 加载模型用于推理
- 模型版本控制
- 导出模型用于部署
- 管理模型产物
- 为生产环境准备模型
将模型部署至云端
- 云端模型部署简介
- 为生产环境准备TensorFlow模型
- 通过API提供服务
- 模型服务概念
- 容器化TensorFlow应用
- 基于云的推理
- 扩展模型服务工作负载
- 监控已部署的模型
- 管理模型版本
- 生产部署考量
将模型部署至移动设备
- 移动机器学习挑战
- TensorFlow Lite
- 转换TensorFlow模型用于移动部署
- 模型优化与体积缩减
- 量化
- 在移动设备上运行推理
- 管理移动设备资源
- 将模型集成至移动应用
- 测试移动推理性能
将模型部署至嵌入式系统（物联网）
- 在嵌入式设备上进行机器学习
- 面向嵌入式应用的TensorFlow Lite
- 资源限制与优化
- 减少模型体积与计算需求
- 边缘推理
- 传感器与实时数据处理
- 在本地运行预测
- 功耗与内存考量
- 将TensorFlow模型集成至物联网工作流
- 测试与监控边缘部署
将模型集成至不同语言
- TensorFlow模型互操作性
- 通过API提供服务
- 在不同编程环境中使用TensorFlow模型
- 基于Python的模型集成
- 将模型集成至Web应用
- 通过基于REST的服务进行模型推理
- 将TensorFlow集成至现有应用
- 数据交换与序列化
- 生产集成考量
故障排查
- 诊断TensorFlow安装问题
- 排查模型构建错误
- 调试数据预处理问题
- 解决训练失败
- 调查GPU与TPU配置问题
- 诊断内存与性能问题
- 排查模型加载与保存问题
- 调试部署问题
- 实用故障排查练习
总结与结论
- 复习TensorFlow 2.x概念
- 复习神经网络与深度学习工作流
- 复习数据准备与模型开发
- 复习图像分类
- 复习训练与评估技术
- 复习模型调试与优化
- 复习云端、移动端与物联网部署
- TensorFlow开发最佳实践
- 最终实践练习
- 提问与讨论
要求
- Python编程经验。
- Linux命令行经验。
目标受众
- 开发人员
- 数据科学家
21 小时
客户评论 (4)
培训组织有序、规划得当，我从中获得了系统化的知识，并对所涉及的主题有了深入的了解
Magdalena - Samsung Electronics Polska Sp. z o.o.
课程 - Deep Learning with TensorFlow 2
机器翻译
培训师的知识储备丰富，且非常平易近人。他们能够轻松传达重要知识
Mateusz Stachyra - Samsung Electronics Polska Sp. z o.o.
课程 - Deep Learning with TensorFlow 2
机器翻译
我喜欢我们也涵盖了基础知识
Tomasz - Samsung Electronics Polska Sp. z o.o.
课程 - Deep Learning with TensorFlow 2
机器翻译
培训师讲解内容清晰，整个过程中非常引人入胜。他在一些实践环节中停下来提问，并让我们自己找到解决方案。他还根据我们的需求很好地调整了课程内容。
Robert Baker
课程 - Deep Learning with TensorFlow 2.0
机器翻译
