TensorFlow pour débutants : modules complémentaires pour TensorFlow

Name: TensorFlow pour débutants : modules complémentaires pour TensorFlow
Author: Josh Turner

Découvrez les modules complémentaires disponibles pour TensorFlow qui peuvent améliorer vos projets d’apprentissage automatique

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

Demander une démo Se connecter

Cours : à la demande

Bonjour, je m'appelle Josh Turner. Dans ces leçons, vous découvrirez TensorFlow Hub. Vous découvrirez le déploiement et les packages TensorFlow, et vous découvrirez les API et les packages TensorFlow. Commençons. TensorFlow Hub est une bibliothèque qui fournit des informations pré-entraînées modèles et modules pour TensorFlow. Il permet aux développeurs d'utiliser rapidement et facilement l'état des lieux. -des modèles artistiques pour un large éventail de cas d'utilisation. Cela inclut la reconnaissance d'images, PNL ou traitement du langage naturel, et bien d'autres encore, pour exemple, parole-texte. La première chose que vous devez faire est d'ouvrir un IDE Python de votre choix. Une fois que vous avez fait cela, ouvrez le terminal et accédez au terminal PowerShell ou Linux. Vous pouvez voir ici dans la ligne de commande, en jaune, j'ai tapé pip install tensorflow -hub. Si vous utilisez un bloc-notes Jupyter, placez plutôt un point d'exclamation devant pip et exécutez-le dans une cellule du Carnet Jupyter. OK, une fois que vous avez exécuté cette ligne de code, vous pouvez l'importer dans l'IDE Python avec la ligne de code suivante. Tapez simplement import tensorflow -hub comme hub. Une fois que vous avez fait cela, vous pouvez exécuter cette ligne de code pour créer assurez-vous que tout fonctionne dans votre environnement local. D'accord génial. Jusqu'ici, tout va bien. Parcourons maintenant quelques-uns des modèles TensorFlow Hub. Examinons un modèle de vision, un modèle PNL et un modèle audio. Le premier que nous examinerons est un modèle de vision. Je suivrai la même procédure à chaque étape. Je vais taper pour vous l'URL du modèle, qui sera Après cela, la suite du texte dépendra du modèle. Pour les modèles de vision, nous utiliserons le modèle ImageNet MobileDet v2. Il s'agit d'un modèle qui a été formé sur des milliers d'images et constitue un très bon classificateur pré-entraîné. Nous pouvons charger le modèle avec un module de vision égal à hub.module. D'accord, il y a un exemple de modèle de vision. Examinons ensuite un exemple de modèle PNL. Ces modèles peuvent prendre beaucoup de temps à charger, vous pouvez donc consulter à eux à votre propre discrétion. Cela suit exactement le même chemin qu'avant, sauf que là encore, nous avons changé le nom du modèle. Nous utiliserons l'Universal Sentence Encoder pour ce modèle. Il s'agit d'un modèle qui a été formé sur de très nombreuses phrases pour essayer de comprendre le contexte et la sémantique du texte. Nous le chargeons de la même manière que nous avons chargé le modèle de vision. Le modèle final que nous pouvons parcourir dans TensorFlow Hub est un modèle audio. Pour nous, le modèle audio sera le Discours Non Sémantique Modèle de référence. Encore une fois, nous saisirons l'URL du modèle. Nous commencerons comme avant, et nous chargerons le modèle exactement de la même manière que précédemment. Ce modèle a été formé sur de nombreux types de parole différents et constitue un excellent modèle audio pour des choses comme la voix -texte ou texte-à-voix. D'accord, vous pouvez exécuter ces lignes de code si vous le souhaitez. Le chargement du modèle prendra un certain temps, mais vous pouvez le faire cela à votre discrétion. Bon, continuons. Regardons un exemple de modèle pré-entraîné. Très bien, la première chose que nous devrions faire est de lancer le PNL code du module. Une fois que vous avez exécuté ce code, créons une phrase. Les boxeurs lourds exécutent des valses et des gigues rapides. Une fois que vous avez tapé cette ligne de code, lancez-la. D'accord, super, nous avons enregistré cette variable dans la mémoire de Python. Après avoir créé votre ligne de code, tapez ce qui suit morceau de code. Cela sera très utile pour de nombreuses tâches différentes de PNL. Alors allons-y et exécutons cette ligne de code en utilisant notre modèle pré-entraîné pour transformer la phrase en un vecteur. Nous avons commencé par une phrase. Voyons quel vecteur nous obtenons. Très bien, super. Vous voyez, nous avons transformé notre phrase en un vecteur de nombres. Merci d'avoir regardé. Restez à l'écoute la prochaine fois lorsque nous discuterons du déploiement de TensorFlow.

Débutant Fournisseur : Josh Turner 3 leçons · 13m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Chinese

Description du cours

TensorFlow est un outil puissant pour l'apprentissage automatique, mais il existe également un certain nombre de modules complémentaires disponibles qui peuvent améliorer ses capacités. Dans ces leçons, vous explorerez les différents modules complémentaires disponibles et comment les utiliser efficacement dans vos projets d’apprentissage automatique.

Vous allez commencer par explorer différentes instructions Vrai/Faux liées aux modules complémentaires pour TensorFlow, telles que l'utilité de TensorFlow Hub pour rechercher des modèles pré-entraînés et les fonctionnalités de serveur de TensorFlow. Vous découvrirez des outils tels que TensorFlow Lite, qui est conçu pour les appareils dont la puissance du processeur est limitée ; et l'API de probabilité TensorFlow, qui comprend des fonctionnalités telles que les algorithmes de Monte-Carlo et les chaînes de Markov.

Vous découvrirez également les modules populaires pour l'apprentissage automatique, tels que scikit-learn, et comment utiliser les bibliothèques Python telles que les requêtes et JSON pour communiquer avec les serveurs TensorFlow. En outre, vous explorerez les différents aspects du processus de déploiement, tels que l'enregistrement d'un modèle et la configuration d'un serveur.

À l'aide d'outils tels que TensorFlow Hub, vous apprendrez à trouver et à utiliser des modèles pré-entraînés, et à utiliser TensorFlow Lite pour déployer vos modèles sur des appareils dont la puissance du processeur est limitée. Vous explorerez également les différentes fonctionnalités disponibles dans l'API de probabilité TensorFlow et comment elles peuvent être utilisées pour améliorer vos modèles d’apprentissage automatique.

Dans l'ensemble, vous acquerrez une compréhension de base des différents modules complémentaires disponibles pour TensorFlow et des compétences nécessaires pour les utiliser efficacement dans vos projets d’apprentissage automatique.

Ce que vous allez apprendre

Explorer les différents modules complémentaires (add-ons) disponibles pour TensorFlow et comment les utiliser efficacement dans les projets d'apprentissage automatique (machine learning)
Utiliser TensorFlow Hub pour trouver et utiliser des modèles pré-entraînés
Déployer des modèles sur des appareils à puissance de calcul (CPU) limitée à l'aide de TensorFlow Lite
Utiliser des bibliothèques Python telles que requests et JSON pour communiquer avec les serveurs TensorFlow
Examiner les fonctionnalités de l'API TensorFlow Probability, notamment les algorithmes de Monte Carlo et les chaînes de Markov
Passer en revue le processus de déploiement, comme la sauvegarde d'un modèle et la configuration d'un serveur

Points clés à retenir

TensorFlow dispose d'un certain nombre d'extensions (add-ons) qui peuvent améliorer ses capacités pour des projets d'apprentissage automatique.
TensorFlow Hub est utile pour trouver des modèles pré-entraînés, tandis que TensorFlow Lite est conçu pour les appareils dotés d'une puissance CPU limitée.
L'API TensorFlow Probability inclut des fonctionnalités telles que les algorithmes de Monte Carlo et les chaînes de Markov.
Les bibliothèques Python telles que requests et JSON peuvent être utilisées pour communiquer avec les serveurs TensorFlow.
Le processus de déploiement couvre des aspects tels que la sauvegarde d'un modèle et la configuration d'un serveur.

Foire aux questions

À qui s'adresse ce cours ?

Il s'agit d'un cours de niveau débutant pour ceux qui souhaitent acquérir une compréhension fondamentale des différents add-ons disponibles pour TensorFlow et les compétences nécessaires pour les utiliser efficacement dans des projets d'apprentissage automatique.

Quels add-ons le cours couvre-t-il ?

Il couvre des outils tels que TensorFlow Hub pour trouver des modèles pré-entraînés, TensorFlow Lite pour les appareils à puissance CPU limitée, l'API TensorFlow Probability et des modules tels que scikit-learn.

Qu'est-ce que je vais apprendre sur le déploiement ?

Vous explorerez les différents aspects du processus de déploiement tels que la sauvegarde d'un modèle et la configuration d'un serveur, ainsi que l'utilisation de bibliothèques Python comme requests et JSON pour communiquer avec les serveurs TensorFlow.

Quels sujets sont inclus dans les leçons ?

Les leçons couvrent TensorFlow Hub, le Déploiement de TensorFlow, et les API et Packages supplémentaires.

Quelles compétences sont associées à ce cours ?

Le cours se rapporte aux compétences incluant les outils informatiques (Computational Tools), ML.NET, PyTorch, TensorFlow et les jeux de données d'entraînement (Training Datasets).