感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程簡介
簡介
- TensorFlow 與深度學習簡介
- TensorFlow 的使用案例與應用
- TensorFlow 生態系與工具
- 機器學習與深度學習工作流程
- 課程目標與實作演練概述
TensorFlow 2.x 與先前版本對比 — 新功能介紹
- TensorFlow 1.x 與 2.x 的主要差異
- Eager 執行
- 簡化的 API 與改善的易用性
- 模型建構與訓練的變更
- 介紹 Keras 作為高階 API
- 現有 TensorFlow 應用程式的遷移考量
- TensorFlow 2.x 最佳實務
設定 TensorFlow 2.x
- 安裝 TensorFlow
- 設定 Python 環境
- 驗證 TensorFlow 安裝
- 安裝與管理所需的依賴套件
- 設定 CPU 與 GPU 環境
- 使用 Jupyter notebook 搭配 TensorFlow
- 基本 TensorFlow 命令與操作
- 排除安裝與設定問題
TensorFlow 2.x 功能與架構概觀
- TensorFlow 架構與核心元件
- 張量與張量操作
- 變數與常數
- 計算圖形與 eager 執行
- 自動微分
- TensorFlow API 與模組
- Keras 整合
- 使用
tf.data建立資料管線 - 模型序列化與 TensorFlow SavedModel
- TensorFlow 生態系與開發工作流程
神經網絡運作原理
- 人工神經網絡基礎
- 神經元、層與網絡架構
- 啟用函數
- 前向傳播
- 損失函數
- 反向傳播
- 梯度下降與優化
- 學習率與優化策略
- 過擬合與欠擬合
- 正規化技術
- 訓練集、驗證集與測試集
使用 TensorFlow 2.x 建立深度學習模型
- 建立張量與變數
- 使用 Keras 建立神經網絡
- 順序式與函數式模型 API
- 定義自訂模型與層
- 設定優化器
- 選擇合適的損失函數
- 使用
fit()訓練模型 - 自訂訓練循環
- 回呼函數與訓練監控
- 管理模型檢查點
數據分析
- 了解機器學習數據集
- 探索結構化與非結構化數據
- 數據可視化
- 識別模式與異常值
- 處理遺失與不一致的數據
- 將數據分割為訓練集、驗證集與測試集
- 選擇相關特徵
- 準備 TensorFlow 模型的數據集
數據預處理
- 數據正規化與標準化
- 編碼類別數據
- 處理遺失值
- 特徵縮放
- 影像預處理
- 文本預處理
- 數據增強
- 建立高效的輸入管線
- 使用
tf.data - 批次處理、隨機打亂、快取與預取
- 為模型訓練準備數據
建構模型
- 選擇合適的神經網絡架構
- 定義模型輸入與輸出
- 建立稠密神經網絡
- 選擇啟用函數
- 設定模型以進行訓練
- 選擇優化器與損失函數
- 訓練並驗證模型
- 監控訓練指標
- 提升模型效能
- 防止過擬合
- 實作正規化與 Dropout
實作最先進的影像分類器
- 影像分類基礎
- 準備影像數據集
- 影像正規化與增強
- 卷積神經網絡
- 卷積與池化層
- 設計影像分類架構
- 轉移學習
- 使用預訓練模型
- 微調預訓練網絡
- 建立進階影像分類器
- 評估分類效能
訓練模型
- 設定訓練參數
- 批次大小與輪數
- 選擇優化器
- 學習率調度
- 訓練回呼函數
- 早停機制
- 模型檢查點
- 監控訓練進度
- 檢測過擬合
- 改善訓練效能
- 分散式訓練考量
在 GPU 與 TPU 上進行訓練
- CPU、GPU 與 TPU 架構
- 硬體加速的優勢
- 設定 TensorFlow 進行 GPU 訓練
- 了解基於 TPU 的訓練
- 為不同工作負載選擇硬體
- 在裝置間轉移運算
- 管理記憶體與運算資源
- 比較訓練效能
- 分散式與加速訓練策略
評估模型
- 選擇合適的評估指標
- 準確率、精確度、召回率與 F1 分數
- 迴歸評估指標
- 混淆矩陣
- 驗證策略
- 評估分類模型
- 評估模型泛化能力
- 識別模型弱點
- 比較不同的模型設定
進行預測
- 使用訓練好的模型進行推理
- 準備新的輸入數據
- 執行批次與個別預測
- 解讀模型輸出
- 分類概率
- 迴歸預測
- 建立推理工作流程
- 處理未見數據
- 管理預測管線
評估預測結果
- 分析預測品質
- 將預測結果與預期結果進行比較
- 識別假陽性與假陰性
- 錯誤分析
- 評估模型置信度
- 可視化預測結果
- 檢測數據與預測偏差
- 根據預測分析改善模型效能
模型除錯
- 識別常見的訓練問題
- 診斷錯誤的預測
- 除錯數據管線
- 調查損失與指標行為
- 檢測梯度爆炸與梯度消失
- 診斷過擬合與欠擬合
- 檢查模型層與輸出
- 使用 TensorFlow 除錯與分析工具
- 提升模型穩定性與效能
儲存模型
- 儲存訓練好的模型
- TensorFlow SavedModel 格式
- 儲存與恢復模型權重
- 儲存模型架構與設定
- 載入模型進行推理
- 模型版本控制
- 匯出模型以供部署
- 管理模型產出物
- 為生產環境準備模型
將模型部署至雲端
- 雲端模型部署簡介
- 為生產環境準備 TensorFlow 模型
- 透過 API 提供模型服務
- 模型服務概念
- 將 TensorFlow 應用程式容器化
- 雲端推理
- 擴展模型服務工作負載
- 監控已部署的模型
- 管理模型版本
- 生產環境部署考量
將模型部署至行動裝置
- 行動機器學習的挑戰
- TensorFlow Lite
- 轉換 TensorFlow 模型以供行動部署
- 模型優化與縮小體積
- 量化
- 在行動裝置上執行推理
- 管理行動裝置資源
- 將模型整合至行動應用程式
- 測試行動推理效能
將模型部署至嵌入式系統 (IoT)
- 嵌入式裝置上的機器學習
- 用於嵌入式應用的 TensorFlow Lite
- 資源限制與優化
- 縮小模型體積與運算需求
- 邊緣推理
- 感測器與即時數據處理
- 本地執行預測
- 電源與記憶體考量
- 將 TensorFlow 模型整合至 IoT 工作流程
- 測試與監控邊緣部署
將模型整合至不同語言
- TensorFlow 模型互通性
- 透過 API 提供模型服務
- 從不同程式環境使用 TensorFlow 模型
- 基於 Python 的模型整合
- 將模型整合至 Web 應用程式
- 透過基於 REST 的服務進行模型推理
- 將 TensorFlow 整合至現有應用程式
- 數據交換與序列化
- 生產環境整合考量
問題排查
- 診斷 TensorFlow 安裝問題
- 排查模型建立錯誤
- 除錯數據預處理問題
- 解決訓練失敗
- 調查 GPU 與 TPU 設定問題
- 診斷記憶體與效能問題
- 排查模型載入與儲存問題
- 除錯部署問題
- 實際問題排查演練
總結與結論
- 回顧 TensorFlow 2.x 概念
- 回顧神經網絡與深度學習工作流程
- 回顧數據準備與模型開發
- 回顧影像分類
- 回顧訓練與評估技術
- 回顧模型除錯與優化
- 回顧雲端、行動與 IoT 部署
- TensorFlow 開發最佳實務
- 最終實作演練
- 提問與討論
最低要求
- 具備 Python 程式設計經驗。
- 熟悉 Linux 命令列操作。
受眾
- 開發人員
- 數據科學家
21 小時
客戶評論 (4)
培訓組織有序、規劃得當，我從中獲得了系統化的知識，並對所涉及的主題有了深入的瞭解
Magdalena - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
培訓師的知識儲備豐富，且非常平易近人。他們能夠輕鬆傳達重要知識
Mateusz Stachyra - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
我喜歡我們也涵蓋了基礎知識
Tomasz - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
培訓師講解內容清晰，整個過程中非常引人入勝。他在一些實踐環節中停下來提問，並讓我們自己找到解決方案。他還根據我們的需求很好地調整了課程內容。
Robert Baker
課程 - Deep Learning with TensorFlow 2.0
機器翻譯