TensorFlow para iniciantes: complementos para o TensorFlow

Name: TensorFlow para iniciantes: complementos para o TensorFlow
Author: Josh Turner

Descubra os add-ons disponíveis para o TensorFlow que podem melhorar os seus projectos de aprendizagem automática

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

Curso: sob demanda

Olá, meu nome é Josh Turner. Nestas lições, você aprenderá sobre o TensorFlow Hub. Você aprenderá sobre a implantação e os pacotes do TensorFlow e você aprenderá sobre APIs e pacotes do TensorFlow. Vamos começar. TensorFlow Hub é uma biblioteca que fornece pré-treinados modelos e módulos para TensorFlow. Ele permite que os desenvolvedores usem de forma rápida e fácil o estado do -modelos artísticos para uma ampla variedade de casos de uso. Isso inclui reconhecimento de imagem, PNL ou processamento de linguagem natural e muito mais, para por exemplo, fala para texto. A primeira coisa que você precisa fazer é abrir um IDE Python do seu escolha. Depois de fazer isso, abra o terminal e vá para o terminal PowerShell ou Linux. Você pode ver aqui na linha de comando, em amarelo, eu digitei pip install tensorflow -hub. Se você estiver usando um Jupyter Notebook, coloque um ponto de exclamação na frente do pip e execute-o em uma célula do Caderno Jupyter. Ok, depois de executar essa linha de código, você pode importá-la para o IDE Python com a seguinte linha de código. Basta digitar import tensorflow -hub como hub. Depois de fazer isso, você pode executar esta linha de código para fazer certifique-se de que tudo funciona em seu ambiente local. Certo, ótimo. Até agora tudo bem. Agora vamos navegar por alguns dos modelos do TensorFlow Hub. Vejamos um modelo de visão, um modelo de PNL e um modelo de áudio. O primeiro que veremos é um modelo de visão. Seguirei o mesmo procedimento em cada etapa. Vou digitar para você o URL do modelo, que será Depois disso, o restante do texto dependerá do modelo. Para modelos de visão, usaremos o modelo ImageNet MobileDet v2. Este é um modelo que foi treinado em milhares de imagens e é um classificador pré-treinado muito bom. Podemos carregar o modelo com módulo de visão igual a hub.module. Ok, há um exemplo de modelo de visão. A seguir, vejamos um exemplo de modelo de PNL. Esses modelos podem demorar muito para carregar, então você pode olhar para eles a seu próprio critério. Isso segue exatamente o mesmo caminho de antes, exceto, novamente, que mudamos o nome do modelo. Usaremos o Universal Sentence Encoder para este modelo. Este é um modelo que foi treinado em muitas, muitas frases para tentar entender o contexto e a semântica do texto. Carregamos da mesma forma que carregamos o modelo de visão. O modelo final que podemos navegar no TensorFlow Hub é um modelo de áudio. Para nós, o modelo de áudio será o Discurso Não Semântico Modelo de referência. Novamente, digitaremos o URL do modelo. Começaremos como antes, e carregaremos o modelo exatamente da mesma maneira que antes. Este modelo foi treinado em muitos tipos diferentes de fala e é um ótimo modelo de áudio para coisas como voz para -texto ou texto -para -voz. Ok, você pode executar essas linhas de código se quiser. Demorará um pouco para o modelo carregar, mas você pode fazer isso fica a seu critério. Ok, vamos continuar. Vejamos um exemplo de modelo pré-treinado. Tudo bem, a primeira coisa que devemos fazer é executar a PNL código do módulo. Depois de executar este código, vamos formar uma frase. Boxeadores pesados executam valsas e gabaritos rápidos. Depois de digitar esta linha de código, vá em frente e execute-a. Ok, ótimo, salvamos esta variável na memória do Python. Depois de criar sua linha de código, digite o seguinte pedaço de código. Isso será muito útil para muitas tarefas diferentes de PNL. Então, vamos em frente e executar esta linha de código usando nosso modelo pré-treinado para transformar a frase em um vetor. Começamos com uma frase. Vamos ver que vetor obtemos. Tudo bem, ótimo. Veja, transformamos nossa frase em um vetor de números. Obrigado por assistir. Fique ligado na próxima vez, quando discutiremos a implantação do TensorFlow.

Principiante Fornecedor : Josh Turner 3 lições · 13m em Árabe, Alemão, Inglês, Espanhol, Francês, Português, Chinese

Descrição do curso

O TensorFlow é uma ferramenta poderosa para a aprendizagem automática, mas há também uma série de complementos disponíveis que podem melhorar as suas capacidades. Nestas lições, irá explorar os diferentes add-ons disponíveis e como utilizá-los eficazmente nos seus projectos de aprendizagem automática.

Começará com uma exploração de diferentes afirmações Verdadeiro/Falso relacionadas com add-ons para o TensorFlow, tais como a utilidade do TensorFlow Hub para encontrar modelos pré-treinados e as capacidades de servidor do TensorFlow. Você aprenderá sobre ferramentas como o TensorFlow Lite, que foi projetado para dispositivos com potência de CPU limitada; e a API de probabilidade do TensorFlow, que inclui recursos como algoritmos de Monte Carlo e cadeias de Markov.

Você também aprenderá sobre módulos populares para aprendizado de máquina, como o scikit-learn, e como usar bibliotecas Python, como solicitações e JSON, para se comunicar com os servidores do TensorFlow. Além disso, explorará os diferentes aspectos do processo de implantação, como salvar um modelo e configurar um servidor.

Utilizando ferramentas como o TensorFlow Hub, aprenderá a encontrar e a utilizar modelos pré-treinados e a utilizar o TensorFlow Lite para implementar os seus modelos em dispositivos com potência de CPU limitada. Também explorará os diferentes recursos disponíveis na API de probabilidade do TensorFlow e como eles podem ser usados para aprimorar seus modelos de aprendizado de máquina.

No geral, obterá uma compreensão fundamental dos diferentes complementos disponíveis para o TensorFlow e as competências necessárias para os utilizar eficazmente nos seus projectos de aprendizagem automática.

O Que Você Vai Aprender

Explorar os diferentes complementos disponíveis para TensorFlow e como usá-los efetivamente em projetos de aprendizado de máquina
Usar TensorFlow Hub para encontrar e usar modelos pré-treinados
Implantar modelos em dispositivos com poder de CPU limitado usando TensorFlow Lite
Usar bibliotecas Python como requests e JSON para se comunicar com servidores TensorFlow
Examinar os recursos da API TensorFlow Probability, incluindo algoritmos de Monte Carlo e cadeias de Markov
Trabalhar através do processo de implantação, como salvar um modelo e configurar um servidor

Principais Conclusões

TensorFlow tem vários complementos disponíveis que podem aprimorar suas capacidades para projetos de aprendizado de máquina.
TensorFlow Hub é útil para encontrar modelos pré-treinados, enquanto TensorFlow Lite é projetado para dispositivos com poder de CPU limitado.
A API TensorFlow Probability inclui recursos como algoritmos de Monte Carlo e cadeias de Markov.
Bibliotecas Python como requests e JSON podem ser usadas para se comunicar com servidores TensorFlow.
O processo de implantação cobre aspectos como salvar um modelo e configurar um servidor.

Perguntas Frequentes

Para quem é este curso?

É um curso de nível iniciante para aqueles que desejam uma compreensão fundamental dos diferentes complementos disponíveis para TensorFlow e as habilidades para usá-los efetivamente em projetos de aprendizado de máquina.

Quais complementos o curso cobre?

Ele cobre ferramentas como TensorFlow Hub para encontrar modelos pré-treinados, TensorFlow Lite para dispositivos com poder de CPU limitado, a API TensorFlow Probability e módulos como scikit-learn.

O que vou aprender sobre implantação?

Você explorará aspectos do processo de implantação, como salvar um modelo e configurar um servidor, e usando bibliotecas Python como requests e JSON para se comunicar com servidores TensorFlow.

Quais tópicos estão incluídos nas lições?

As lições cobrem TensorFlow Hub, Implantação do TensorFlow e APIs e Pacotes Adicionais.

Quais habilidades estão associadas a este curso?

O curso se relaciona com habilidades incluindo Ferramentas Computacionais, ML.NET, PyTorch, TensorFlow e Conjuntos de Dados de Treinamento.