Расширенный TensorFlow: пользовательские модели и циклы обучения

Стандартные API машинного обучения отлично подходят для выполнения обычных задач, но для реального глубокого обучения часто требуется специальная архитектура и точное поведение при выполнении. Чтобы создать передовые системы, вы должны научиться заглядывать под капот и настраивать способы обработки данных, вычисления ошибок и обновления весов в моделях. В этом текстовом курсе вы пройдете по всем этапам настройки моделей TensorFlow. От использования готовых слоев высокого уровня вы перейдете к написанию собственных компонентов, разработке уникальных функций потерь и реализации точных циклов обучения с нуля. Что вы узнаете: - Создание пользовательских слоев и моделей с использованием API подклассификации Keras для максимальной архитектурной гибкости - Разработка пользовательских функций потерь и метрик оценки, адаптированных к специализированным целям машинного обучения - Внедрение пользовательских тренировочных циклов с использованием GradientTape для получения полного контроля над процессом оптимизации - Оптимизация конвейеров ввода данных с помощью tf.data API для максимального использования оборудования и предотвращения узких мест обучения - Применение методов выполнения графа с использованием tf.function для ускорения компиляции и производительности модели Курс начинается с основных понятий модели исполнения TensorFlow и иерархии API, а затем переходит к пользовательским компонентам. С помощью структурированных письменных объяснений и практических обзоров кода вы освоите механику настройки моделей низкого уровня. Этот курс предназначен для учащихся, которые понимают основные концепции машинного обучения и хотят расширить свои технические возможности в TensorFlow. Не требуется предыдущий опыт работы с пользовательскими тренировочными циклами или механикой API низкого уровня. Начните читать уже сегодня, чтобы полностью раскрыть мощь и гибкость TensorFlow для своих проектов машинного обучения.