TensorFlow para principiantes: complementos para TensorFlow

Name: TensorFlow para principiantes: complementos para TensorFlow
Author: Josh Turner

Descubra los complementos disponibles para TensorFlow que pueden mejorar sus proyectos de aprendizaje automático

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

Curso: bajo demanda

Hola, mi nombre es Josh Turner. En estas lecciones, aprenderá sobre TensorFlow Hub. Aprenderá sobre la implementación y los paquetes de TensorFlow, y aprenderá sobre las API y los paquetes de TensorFlow. Empecemos. TensorFlow Hub es una biblioteca que proporciona capacitación previa Modelos y módulos para TensorFlow. Permite a los desarrolladores utilizar rápida y fácilmente el estado de la -Modelos artísticos para una amplia gama de casos de uso. Esto incluye reconocimiento de imágenes, PNL o procesamiento del lenguaje natural, y muchos más, para por ejemplo, voz a texto. Lo primero que debe hacer es abrir un IDE de Python de su elección. Una vez que hayas hecho eso, abre la terminal. y vaya a la terminal de PowerShell o Linux. Puedes ver aquí abajo en la línea de comando, en amarillo, he pip escrito instalar tensorflow -hub. Si está utilizando un Jupyter Notebook, en su lugar, coloque un signo de exclamación delante de pip y ejecutarlo en una celda del Cuaderno Jupyter. Bien, una vez que hayas ejecutado esa línea de código, puedes importarla a el IDE de Python con la siguiente línea de código. Simplemente escriba import tensorflow -hub como hub. Una vez que hayas hecho eso, puedes ejecutar esta línea de código para hacer Asegúrese de que todo funcione en su entorno local. Bien, excelente. Hasta ahora, todo bien. Ahora exploremos algunos de los modelos de TensorFlow Hub. Veamos un modelo de visión, un modelo de PNL y un modelo de audio. El primero que veremos es un modelo de visión. Seguiré el mismo procedimiento en cada paso. Te escribiré la URL del modelo, que será Posteriormente, el resto del texto dependerá del modelo. Para los modelos de visión, usaremos el modelo ImageNet MobileDet v2. Este es un modelo que ha sido entrenado en miles de imágenes. y lo convierte en un muy buen clasificador previamente entrenado. Podemos cargar el modelo con un módulo de visión igual a módulo.hub. Bien, hay un ejemplo de un modelo de visión. A continuación, veamos un ejemplo de un modelo de PNL. Estos modelos pueden tardar mucho en cargarse, así que puedes mirar a ellos a su propia discreción. Esto sigue exactamente el mismo camino que antes, excepto que nuevamente cambiamos el nombre del modelo. Usaremos el codificador universal de oraciones para este modelo. Este es un modelo que ha sido entrenado con muchas, muchas oraciones. tratar de comprender el contexto y la semántica del texto. Lo cargamos de la misma manera que cargamos el modelo de visión. El modelo final que podemos explorar en TensorFlow Hub es un modelo de audio. Para nosotros el modelo de audio será el Discurso No Semántico. Modelo de referencia. Nuevamente, escribiremos la URL del modelo. Empezaremos igual que antes, y cargaremos el modelo exactamente de la misma manera que antes. Este modelo ha sido entrenado en muchos tipos diferentes de habla. y lo convierte en un excelente modelo de audio para cosas como voz -to -texto o texto -a -voz. Bien, puedes ejecutar estas líneas de código si quieres. El modelo tardará un poco en cargarse, pero puedes hacerlo a tu discreción. Bien, continuemos. Veamos un ejemplo de un modelo previamente entrenado. Muy bien, lo primero que debemos hacer es ejecutar la PNL. código del módulo. Una vez que ejecute este código, hagamos una oración. Los boxeadores pesados interpretan rápidos valses y jigs. Una vez que haya escrito esta línea de código, continúe y ejecútela. Bien, genial, hemos guardado esta variable en la memoria de Python. Después de haber creado su línea de código, escriba lo siguiente pedazo de código. Esto será muy útil para muchas tareas diferentes de PNL. Así que sigamos adelante y ejecutemos esta línea de código. usando nuestro modelo previamente entrenado para cambiar la oración a una vector. Empezamos con una frase. Veamos qué vector obtenemos. Muy bien, genial. Verás, convertimos nuestra oración en un vector de números. Gracias por ver. Estén atentos la próxima vez que analicemos la implementación de TensorFlow.

Principiante Proveedor : Josh Turner 3 lecciones · 13m en Árabe, Alemán, Inglés, Español, Francés, Portugués, Chinese

Descripción del curso

TensorFlow es una potente herramienta para el aprendizaje automático, pero también hay una serie de complementos disponibles que pueden mejorar sus capacidades. En estas lecciones explorará los diferentes complementos disponibles y cómo usarlos de forma eficaz en sus proyectos de aprendizaje automático.

Comenzará con una exploración de diferentes declaraciones True/False relacionadas con los complementos de TensorFlow, como la utilidad de TensorFlow Hub para encontrar modelos previamente entrenados y las capacidades del servidor de TensorFlow. Conocerá herramientas como TensorFlow Lite, que está diseñado para dispositivos con potencia de CPU limitada; y la API de probabilidad de TensorFlow, que incluye funciones como algoritmos Monte Carlo y cadenas de Markov.

También aprenderá sobre los módulos populares para el aprendizaje automático, como scikit-learn, y cómo usar bibliotecas de Python, como solicitudes y JSON para comunicarse con los servidores de TensorFlow. Además, explorará los diferentes aspectos del proceso de implementación, como guardar un modelo y configurar un servidor.

Con herramientas como TensorFlow Hub, aprenderá a buscar y usar modelos previamente entrenados, y cómo usar TensorFlow Lite para implementar sus modelos en dispositivos con potencia de CPU limitada. También explorará las diferentes funciones disponibles en la API de probabilidad de TensorFlow y cómo se pueden usar para mejorar sus modelos de aprendizaje automático.

En general, obtendrá una comprensión básica de los diferentes complementos disponibles para TensorFlow y las habilidades necesarias para usarlos eficazmente en sus proyectos de aprendizaje automático.

Lo que aprenderás

Explorar los diferentes complementos disponibles para TensorFlow y cómo usarlos efectivamente en proyectos de aprendizaje automático
Usar TensorFlow Hub para encontrar y usar modelos entrenados previamente
Desplegar modelos en dispositivos con poder computacional limitado usando TensorFlow Lite
Usar librerías de Python como requests y JSON para comunicarse con servidores de TensorFlow
Examinar las características de la API de Probabilidad de TensorFlow, incluidos algoritmos de Monte Carlo y cadenas de Markov
Trabajar en el proceso de despliegue, como guardar un modelo y configurar un servidor

Puntos clave

TensorFlow tiene una cantidad de complementos disponibles que pueden mejorar sus capacidades para proyectos de aprendizaje automático.
TensorFlow Hub es útil para encontrar modelos entrenados previamente, mientras que TensorFlow Lite está diseñado para dispositivos con poder computacional limitado.
La API de Probabilidad de TensorFlow incluye características como algoritmos de Monte Carlo y cadenas de Markov.
Las librerías de Python como requests y JSON pueden usarse para comunicarse con servidores de TensorFlow.
El proceso de despliegue cubre aspectos como guardar un modelo y configurar un servidor.

Preguntas frecuentes

¿Para quién está diseñado este curso?

Es un curso de nivel principiante para aquellos que desean una comprensión fundamental de los diferentes complementos disponibles para TensorFlow y las habilidades para usarlos efectivamente en proyectos de aprendizaje automático.

¿Qué complementos cubre el curso?

Cubre herramientas como TensorFlow Hub para encontrar modelos entrenados previamente, TensorFlow Lite para dispositivos con poder computacional limitado, la API de Probabilidad de TensorFlow y módulos como scikit-learn.

¿Qué voy a aprender sobre el despliegue?

Explorarás aspectos del proceso de despliegue como guardar un modelo y configurar un servidor, y usar librerías de Python como requests y JSON para comunicarse con servidores de TensorFlow.

¿Qué temas se incluyen en las lecciones?

Las lecciones cubren TensorFlow Hub, Despliegue de TensorFlow y APIs y Paquetes Adicionales.

¿Qué habilidades se asocian con este curso?

El curso se relaciona con habilidades incluyendo Herramientas Computacionales, ML.NET, PyTorch, TensorFlow y Conjuntos de Datos de Entrenamiento.