Mélytanulás TensorFlow 2 használatával Képzés

Bevezetés

• Bevezetés a TensorFlow-ba és a mélytanulásba
• TensorFlow alkalmazási területei
• TensorFlow ökoszisztéma és eszközök
• Gépi tanulási és mélytanulási folyamatok
• Áttekintés a tanfolyam céljairól és gyakorlati feladatokról

TensorFlow 2.x vs. korábbi verziók – Mi az új

• Fő különbségek a TensorFlow 1.x és 2.x között
• Azonnali (eager) futtatás
• Egyszerűsített API-k és javított használhatóság
• Változások a modellépítésben és edzésben
• Bevezetés a magas szintű API-ként szolgáló Keras-hoz
• Vándorlás (migration) szempontjai a meglévő TensorFlow alkalmazásokhoz
• TensorFlow 2.x legjobb gyakorlatok

TensorFlow 2.x beállítása

• TensorFlow telepítése
• Python környezet konfigurálása
• TensorFlow telepítés ellenőrzése
• Szükséges függőségek telepítése és kezelése
• CPU és GPU környezetek konfigurálása
• TensorFlow használata Jupyter füzetekkel
• Alapvető TensorFlow parancsok és műveletek
• Telepítési és konfigurációs hibák elhárítása

TensorFlow 2.x funkcióinak és architektúrájának áttekintése

• TensorFlow architektúra és alapkOMPONENTEK
• Tenzorok és tenzor műveletek
• Változók és állandók
• Számítási gráfok és azonnali futtatás
• Automatikus deriválás
• TensorFlow API-k és modulok
• Keras integráció
• Adatfolyamok a tf.data segítségével
• Modell sorosítás és TensorFlow SavedModel
• TensorFlow ökoszisztéma és fejlesztési folyamat

Múködnek a neurális hálózatok

• Mesterséges neurális hálózatok alapjai
• Neuronok, rétegek és hálózat architektúrák
• Aktivációs függvények
• Előrehaladó (Forward propagation)
• Kár-függvények (Loss functions)
• Hátraterjedés (Backpropagation)
• Gradiens lecsúszás és optimalizálás
• Tanulási ráta és optimalizálási stratégiák
• Túleredményezettség (Overfitting) és hiányos alkalmazkodás (Underfitting)
• Regularizációs technikák
• Edzési, validációs és teszt adathalmazok

TensorFlow 2.x használata mélytanulási modellek létrehozásához

• Tenzorok és változók létrehozása
• Neurális hálózatok építése Keras-sal
• Szekvenciális és funkcionális modell API-k
• Egyedi modellek és rétegek definiálása
• Optimalizátorok konfigurálása
• Megfelelő kár-függvények kiválasztása
• Modellek edzése a fit() segítségével
• Egyedi edzési ciklusok
• Visszajelzések (Callbacks) és edzési felügyelet
• Modell checkpointek kezelése

Adatok elemzése

• Adathalmazok megértése gépi tanulásra
• Szerkezett és szerkezetlen adatok felfedezése
• Adatvizualizáció
• Mintázatok és anomáliák azonosítása
• Hiányos és inkonzisztens adatok kezelése
• Adatok bontása edzési, validációs és teszt halmazokra
• Megfelelő jellemzők (features) kiválasztása
• Adathalmazok előkészítése TensorFlow modellekhez

Adatok előfeldolgozása

• Adatnormalizálás és standardizálás
• Kategóriális adatok kódolása
• Hiányzó értékek kezelése
• Jellemző-kiosztás (Feature scaling)
• Képek előfeldolgozása
• Szövegek előfeldolgozása
• Adat-augmentáció
• Hatékony bemeneti adatfolyamok építése
• tf.data használata
• Baltozás, keverés (shuffling), cache és előzetes betöltés (prefetching)
• Adatok előkészítése modell edzéshez

Modell építése

• Megfelelő neurális hálózat architektúra kiválasztása
• Modell bemenetek és kimenetek definiálása
• Sűrű (dense) neurális hálózatok létrehozása
• Aktivációs függvények kiválasztása
• Modell konfigurálása edzéshez
• Optimalizátorok és kár-függvények kiválasztása
• Modell edzése és validálása
• Edzési metrikák figyelése
• Modell teljesítményének javítása
• Túleredményezettség megelőzése
• Regularizáció és dropout megvalósítása

Kortárs képcsatornak osztályozó implementálása

• Képcsatornak osztályozás alapjai
• Kép-adathalmazok előkészítése
• Képek normalizálása és augmentálása
• Konvolúciós neurális hálózatok (CNN)
• Konvolúciós és pooling rétegek
• Képcsatornak osztályozó architektúra tervezése
• Átviteli tanulás (Transfer learning)
• Előtanult modellek használata
• Előtanult hálózatok finomhangolása (Fine-tuning)
• Haladó képcsatornak osztályozó építése
• Oszályozási teljesítmény értékelése

Modell edzése

• Edzési paraméterek beállítása
• Baltozméret és epochok
• Optimalizátor kiválasztása
• Tanulási ráta ütemezése
• Edzési visszajelzések (callbacks)
• Korai leállítás (Early stopping)
• Modell checkpointek
• Edzési folyamat figyelése
• Túleredményezettség észlelése
• Edzési teljesítmény javítása
• Elosztott edzés szempontjai

Edzés GPU-n vs. TPU-n

• CPU, GPU és TPU architektúrák
• Kemvézeti gyorsítás előnyei
• TensorFlow beállítása GPU edzéshez
• TPU-alapú edzés megértése
• Kemvézet kiválasztása különböző terhelésekhez
• Számítások áthelyezése eszközök között
• Memória és számítási erőforrások kezelése
• Edzési teljesítmény összehasonlítása
• Elosztott és gyorsított edzési stratégiák

Modell értékelése

• Megfelelő értékelési metrikák kiválasztása
• Pontosság, precízió, recall és F1 pontszám
• Regressziós értékelési metrikák
• Verdeterminálási mátrixok (Confusion matrices)
• Validációs stratégiák
• Oszályozó modellek értékelése
• Modell általánosítás képességének értékelése
• Modell gyengeségek azonosítása
• Különböző modellkonfigurációk összehasonlítása

Előrejelzések készítése

• Edzett modellek használata inferenciára
• Új bemeneti adatok előkészítése
• Baltozott és egyedi előrejelzések
• Modell kimenetek értelmezése
• Oszályozási valószínűségek
• Regressziós előrejelzések
• Inferencia folyamat építése
• Nem látott adatok kezelése
• Előrejelzési adatfolyamok kezelése

Előrejelzések értékelése

• Előrejelzési minőség elemzése
• Előrejelzések összehasonlítása várható eredményekkel
• Hamis pozitív és hamis negatív azonosítása
• Hibaelemzés
• Modell megbízhatóságának értékelése
• Előrejelzési eredmények vizualizálása
• Adat- és előrejelzési torzítások észlelése
• Modell teljesítmény javítása az előrejelzési elemzés alapján

Modell hibakeresése

• Közös edzési problémák azonosítása
• Hibás előrejelzések diagnosztizálása
• Adat-előfeldolgozási problémák hibakeresése
• Edzési kudarcok megoldása
• GPU és TPU konfigurációs problémák vizsgálata
• Memória és teljesítményi problémák diagnosztizálása
• Modell betöltési és mentési hibák elhárítása
• Üzembehelyezési problémák hibakeresése
• Gyakorlati hibakereső feladatok

Modell mentése

• Edzett modellek mentése
• TensorFlow SavedModel formátum
• Modell súlyok mentése és visszaállítása
• Modell architektúra és konfiguráció mentése
• Modellek betöltása inferenciához
• Modell verziókezelés
• Modellek exportálása deploy-hoz
• Modell artifactumok kezelése
• Modellek előkészítése produkciós környezetekhez

Modell üzembehelyezése a felhőbe

• Bevezetés a felhőalapú modell deploy-hoz
• TensorFlow modellek előkészítése produkcióhoz
• Modellek szolgálttatása API-kon keresztül
• Modell szolgálttatási (serving) fogalmak
• TensorFlow alkalmazások konténerizálása
• Felhőalapú inferencia
• Modell szolgáltató terhelések méretezése
• Üzembehelyezett modellek figyelése
• Modell verziók kezelése
• Produkciós deploy szempontok

Modell üzembehelyezése mobil eszközre

• Mobil gépi tanulás kihívásai
• TensorFlow Lite
• TensorFlow modellek konvertálása mobil deploy-hoz
• Modell optimalizálás és méretcsökkentés
• Kvantizálás
• Inferencia futtatása mobil eszközökön
• Mobil eszköz erőforrásainak kezelése
• Modellek integrálása mobil alkalmazásokba
• Mobil inferencia teljesítmény tesztelése

Modell üzembehelyezése beágyazott rendszerre (IoT)

• Gépi tanulás beágyazott eszközökön
• TensorFlow Lite beágyazott alkalmazásokhoz
• Eroforrás-korlátok és optimalizálás
• Modell méretének és számítási igényének csökkentése
• Edge inferencia
• Szenzor és valós idejű adatok feldolgozása
• Előrejelzések helyben futtatása
• Energiabevitel és memória szempontok
• TensorFlow modellek integrálása IoT folyamatokba
• Edge deploy tesztelése és figyelése

Modell integrálása különböző nyelvekkel

• TensorFlow modell interoperabilitás
• Modellek szolgálttatása API-kon keresztül
• TensorFlow modellek használata különböző programozási környezetekből
• Python-alapú modell integráció
• Modellek integrálása webes alkalmazásokba
• Modell inferencia REST-alapú szolgáltatásokon keresztül
• TensorFlow integrálása meglévő alkalmazásokba
• Adatcsere és sorosítás
• Produkciós integrációs szempontok

Hibakeresés

• TensorFlow telepítési problémák diagnosztizálása
• Modellépítési hibák elhárítása
• Adat-előfeldolgozási problémák hibakeresése
• Edzési kudarcok megoldása
• GPU és TPU konfigurációs problémák vizsgálata
• Memória és teljesítményi problémák diagnosztizálása
• Modell betöltési és mentési hibák elhárítása
• Üzembehelyezési problémák hibakeresése
• Gyakorlati hibakereső feladatok

Összefoglalás és lezárás

• TensorFlow 2.x fogalmak áttekintése
• Neurális hálózat és mélytanulási folyamatok áttekintése
• Adat-előkészítés és modellfejlesztés áttekintése
• Képcsatornak osztályozás áttekintése
• Edzési és értékelési technikák áttekintése
• Modell hibakeresés és optimalizálás áttekintése
• Felhő, mobil és IoT deploy áttekintése
• Legjobb gyakorlatok TensorFlow fejlesztéshez
• Végső gyakorlati feladat
• Kérdések és vita