TensorFlow für Einsteiger: Add-ons für TensorFlow

Name: TensorFlow für Einsteiger: Add-ons für TensorFlow
Author: Josh Turner

Entdecken Sie die für TensorFlow verfügbaren Add-Ons, die Ihre Machine-Learning-Projekte verbessern können

Preview the first lesson free — get full access to all 3 lessons.

Kurs: On-Demand

Hallo, mein Name ist Josh Turner. In diesen Lektionen erfahren Sie mehr über TensorFlow Hub. Sie erfahren mehr über die Bereitstellung und Pakete von TensorFlow Sie erfahren mehr über TensorFlow-APIs und -Pakete. Lass uns anfangen. TensorFlow Hub ist eine Bibliothek, die vorab trainierte Informationen bereitstellt Modelle und Module für TensorFlow. Es ermöglicht Entwicklern, den neuesten Stand schnell und einfach zu nutzen -Kunstmodelle für eine Vielzahl von Anwendungsfällen. Dazu gehören Bilderkennung, NLP oder Verarbeitung natürlicher Sprache und viele mehr, z Beispiel: Speech-to-Text. Das erste, was Sie tun müssen, ist, eine Python-IDE von Ihnen zu öffnen Auswahl. Sobald Sie das getan haben, öffnen Sie das Terminal und gehen Sie zum PowerShell- oder Linux-Terminal. Sie können hier unten in der Befehlszeile in Gelb sehen, dass ich es getan habe Geben Sie pip install tensorflow -hub ein. Wenn Sie stattdessen ein Jupyter-Notebook verwenden, geben Sie ein ein Setzen Sie ein Ausrufezeichen vor pip und führen Sie es in einer Zelle aus Jupyter-Notizbuch. Okay, sobald Sie diese Codezeile ausgeführt haben, können Sie sie importieren die Python-IDE mit der folgenden Codezeile. Geben Sie einfach import tensorflow -hub als Hub ein. Sobald Sie das getan haben, können Sie diese Codezeile ausführen, um Folgendes zu erstellen Sicherlich funktioniert alles in Ihrer lokalen Umgebung. OK großartig. So weit, ist es gut. Schauen wir uns nun einige der TensorFlow Hub-Modelle an. Schauen wir uns ein Visionsmodell, ein NLP-Modell und ein Audiomodell an. Das erste, das wir uns ansehen werden, ist ein Visionsmodell. Ich werde bei jedem Schritt das gleiche Verfahren anwenden. Ich gebe für Sie die Modell-URL ein Danach hängt der weitere Text vom Modell ab. Für Vision-Modelle verwenden wir das ImageNet MobileDet v2-Modell. Dies ist ein Modell, das anhand von Tausenden von Bildern trainiert wurde und ergibt einen sehr guten vorab trainierten Klassifikator. Wir können das Modell mit dem gleichen Vision-Modul laden hub.module. Okay, es gibt ein Beispiel für ein Visionsmodell. Schauen wir uns als Nächstes ein Beispiel eines NLP-Modells an. Das Laden dieser Modelle kann lange dauern, Sie können also nachschauen bei ihnen nach eigenem Ermessen. Dies folgt genau dem gleichen Weg wie zuvor, Außer noch einmal: Wir haben den Modellnamen geändert. Für dieses Modell verwenden wir den Universal Sentence Encoder. Dies ist ein Modell, das an vielen, vielen Sätzen trainiert wurde versuchen, den Kontext und die Semantik des Textes zu verstehen. Wir laden es auf die gleiche Weise, wie wir das Vision-Modell geladen haben. Das letzte Modell, das wir in TensorFlow Hub durchsuchen können, ist ein Audiomodell. Für uns wird das Audiomodell die nicht-semantische Sprache sein Benchmark-Modell. Auch hier geben wir die Modell-URL ein. Wir beginnen wie zuvor, und wir laden das Modell auf genau die gleiche Weise wie zuvor. Dieses Modell wurde auf viele verschiedene Arten von Sprache trainiert und eignet sich hervorragend als Audiomodell für Dinge wie Voice-To -Text oder Text-to-Voice. Okay, Sie können diese Codezeilen ausführen, wenn Sie möchten. Es wird eine Weile dauern, bis das Modell geladen ist, aber Sie können es tun es liegt in Ihrem Ermessen. Okay, lass uns weitermachen. Schauen wir uns ein Beispiel eines vorab trainierten Modells an. Also gut, das erste, was wir tun sollten, ist das NLP durchzuführen Modulcode. Nachdem Sie diesen Code ausgeführt haben, bilden wir einen Satz. Schwere Boxer führen schnelle Walzer und Jigs aus. Sobald Sie diese Codezeile eingegeben haben, führen Sie sie aus. Okay, großartig, wir haben diese Variable im Speicher von Python gespeichert. Nachdem Sie Ihre Codezeile erstellt haben, geben Sie Folgendes ein Stück Code. Dies wird für viele verschiedene NLP-Aufgaben sehr nützlich sein. Lassen Sie uns also fortfahren und diese Codezeile ausführen Verwenden Sie unser vorab trainiertes Modell, um den Satz in a zu ändern Vektor. Wir begannen mit einem Satz. Mal sehen, welchen Vektor wir bekommen. Alles klar, großartig. Sie sehen, wir haben unseren Satz in einen Zahlenvektor umgewandelt. Danke fürs zuschauen. Bleiben Sie dran, wenn wir das nächste Mal über die Bereitstellung von TensorFlow sprechen.

Anfänger Anbieter : Josh Turner 3 Lektionen · 13m auf Arabisch, Deutsch, Englisch, Spanisch, Französisch, Portugiesisch, Chinese

Kursbeschreibung

TensorFlow ist ein mächtiges Werkzeug für maschinelles Lernen, aber es gibt auch eine Reihe von Add-ons, die seine Fähigkeiten erweitern können. In diesen Lektionen werden Sie die verschiedenen verfügbaren Add-ons erforschen und erfahren, wie Sie diese effektiv in Ihren Machine-Learning-Projekten einsetzen können.

Sie beginnen mit einer Erkundung verschiedener Wahr/Falsch-Aussagen im Zusammenhang mit Add-Ons für TensorFlow, wie z.B. die Nützlichkeit von TensorFlow Hub für die Suche nach vortrainierten Modellen und die Server-Fähigkeiten von TensorFlow. Sie lernen Werkzeuge wie TensorFlow Lite kennen, das für Geräte mit begrenzter CPU-Leistung entwickelt wurde, und die TensorFlow Probability API, die Funktionen wie Monte Carlo Algorithmen und Markov-Ketten enthält.

Sie lernen auch populäre Module für maschinelles Lernen wie scikit-learn kennen und erfahren, wie man Python-Bibliotheken wie Requests und JSON zur Kommunikation mit TensorFlow-Servern verwendet. Außerdem werden Sie die verschiedenen Aspekte des Deployment-Prozesses erkunden, wie das Speichern eines Modells und das Einrichten eines Servers.

Mit Werkzeugen wie TensorFlow Hub lernen Sie, vortrainierte Modelle zu finden und zu verwenden, und wie Sie TensorFlow Lite verwenden, um Ihre Modelle auf Geräten mit begrenzter CPU-Leistung einzusetzen. Sie werden auch die verschiedenen in der TensorFlow Probability API verfügbaren Funktionen erforschen und wie sie verwendet werden können, um Ihre Machine Learning Modelle zu verbessern.

Insgesamt werden Sie ein grundlegendes Verständnis der verschiedenen für TensorFlow verfügbaren Add-ons und die notwendigen Fähigkeiten erlangen, um diese effektiv in Ihren Machine-Learning-Projekten einzusetzen.

Was Sie lernen werden

Erkunden Sie die verschiedenen Add-ons für TensorFlow und wie Sie sie effektiv in Machine-Learning-Projekten einsetzen
Verwenden Sie TensorFlow Hub, um trainierte Modelle zu finden und zu verwenden
Stellen Sie Modelle auf Geräten mit begrenzter CPU-Leistung mit TensorFlow Lite bereit
Verwenden Sie Python-Bibliotheken wie Anfragen und JSON, um mit TensorFlow-Servern zu kommunizieren
Untersuchen Sie die Features der TensorFlow Probability API, darunter Monte-Carlo-Algorithmen und Markov-Ketten
Arbeiten Sie den Bereitstellungsprozess durch, wie z. B. Speichern eines Modells und Einrichtung eines Servers

Wichtige Erkenntnisse

TensorFlow verfügt über eine Reihe von Add-ons, die seine Fähigkeiten für Machine-Learning-Projekte verbessern können.
TensorFlow Hub ist nützlich zum Finden trainierter Modelle, während TensorFlow Lite für Geräte mit begrenzter CPU-Leistung konzipiert ist.
Die TensorFlow Probability API umfasst Features wie Monte-Carlo-Algorithmen und Markov-Ketten.
Python-Bibliotheken wie Anfragen und JSON können verwendet werden, um mit TensorFlow-Servern zu kommunizieren.
Der Bereitstellungsprozess behandelt Aspekte wie Speichern eines Modells und Einrichtung eines Servers.

Häufig gestellte Fragen

Für wen ist dieser Kurs?

Es ist ein Anfängerkurs für diejenigen, die ein grundlegendes Verständnis der verschiedenen Add-ons für TensorFlow und die Fähigkeiten zu deren effektiven Einsatz in Machine-Learning-Projekten wünschen.

Welche Add-ons behandelt der Kurs?

Er behandelt Tools wie TensorFlow Hub zum Finden trainierter Modelle, TensorFlow Lite für Geräte mit begrenzter CPU-Leistung, die TensorFlow Probability API und Module wie scikit-learn.

Was werde ich über die Bereitstellung lernen?

Sie erkunden Aspekte des Bereitstellungsprozesses wie Speichern eines Modells und Einrichtung eines Servers sowie die Verwendung von Python-Bibliotheken wie Anfragen und JSON, um mit TensorFlow-Servern zu kommunizieren.

Welche Themen sind in den Lektionen enthalten?

Die Lektionen behandeln TensorFlow Hub, TensorFlow Bereitstellung und Zusätzliche APIs und Pakete.

Welche Fähigkeiten sind mit diesem Kurs verbunden?

Der Kurs bezieht sich auf Fähigkeiten wie Computational Tools, ML.NET, PyTorch, TensorFlow und Training Datasets.