感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程時長 21 時間：
課程簡介
引言
- TensorFlow 與深度學習簡介
- TensorFlow 的應用場景與用途
- TensorFlow 生態系統與工具鏈
- 機器學習與深度學習的工作流程
- 課程目標與實踐練習概覽
TensorFlow 2.x 與早期版本比較 — 新特性
- TensorFlow 1.x 與 2.x 的主要差異
- 即時執行（Eager Execution）
- 簡化的 API 與改進的易用性
- 模型構建與訓練的變化
- 介紹作為高級 API 的 Keras
- 現有 TensorFlow 應用的遷移注意事項
- TensorFlow 2.x 最佳實踐
設置 TensorFlow 2.x
- 安裝 TensorFlow
- 配置 Python 環境
- 驗證 TensorFlow 安裝
- 安裝和管理所需依賴項
- 配置 CPU 和 GPU 環境
- 在 Jupyter 筆記本中使用 TensorFlow
- 基本的 TensorFlow 命令與操作
- 排查安裝與配置問題
TensorFlow 2.x 功能與架構概覽
- TensorFlow 架構與核心組件
- 張量（Tensors）與張量操作
- 變量與常數
- 計算圖與即時執行
- 自動微分
- TensorFlow API 與模組
- Keras 整合
- 使用
tf.data構建數據管道 - 模型序列化與 TensorFlow SavedModel
- TensorFlow 生態系統與開發工作流
神經網絡的運作原理
- 人工神經網絡基礎
- 神經元、層與網絡架構
- 激活函數
- 前向傳播
- 損失函數
- 反向傳播
- 梯度下降與優化
- 學習率與優化策略
- 過擬合與欠擬合
- 正規化技術
- 訓練集、驗證集與測試集
使用 TensorFlow 2.x 創建深度學習模型
- 創建張量與變量
- 使用 Keras 構建神經網絡
- 序貫式與函數式模型 API
- 定義自定義模型與層
- 配置優化器
- 選擇適當的損失函數
- 使用
fit()訓練模型 - 自定義訓練循環
- 回調函數（Callbacks）與訓練監控
- 管理模型檢查點（Checkpoints）
數據分析
- 理解機器學習數據集
- 探索結構化與非結構化數據
- 數據可視化
- 識別模式與異常值
- 處理缺失與不一致數據
- 將數據劃分為訓練集、驗證集與測試集
- 選擇相關特徵
- 為 TensorFlow 模型準備數據集
數據預處理
- 數據正規化與標準化
- 編碼類別數據
- 處理缺失值
- 特徵縮放
- 圖像預處理
- 文本預處理
- 數據增強
- 構建高效輸入管道
- 使用
tf.data - 批處理、打亂、緩存與預取
- 為模型訓練準備數據
構建模型
- 選擇適當的神經網絡架構
- 定義模型輸入與輸出
- 創建稠密神經網絡
- 選擇激活函數
- 配置模型以進行訓練
- 選擇優化器與損失函數
- 訓練與驗證模型
- 監控訓練指標
- 提升模型性能
- 防止過擬合
- 實現正規化與 Dropout
實現先進的圖像分類器
- 圖像分類基礎
- 準備圖像數據集
- 圖像正規化與增強
- 卷積神經網絡
- 卷積層與池化層
- 設計圖像分類架構
- 遷移學習（Transfer Learning）
- 使用預訓練模型
- 微調（Fine-tuning）預訓練網絡
- 構建高級圖像分類器
- 評估分類性能
模型訓練
- 配置訓練參數
- 批量大小（Batch size）與輪次（Epochs）
- 優化器選擇
- 學習率調度
- 訓練回調函數
- 早期停止（Early stopping）
- 模型檢查點
- 監控訓練進度
- 檢測過擬合
- 提升訓練性能
- 分佈式訓練的考量
在 GPU 與 TPU 上訓練
- CPU、GPU 與 TPU 架構
- 硬件加速的優勢
- 配置 TensorFlow 以進行 GPU 訓練
- 理解基於 TPU 的訓練
- 為不同工作負載選擇硬件
- 在設備之間遷移計算任務
- 管理內存與計算資源
- 比較訓練性能
- 分佈式與加速訓練策略
模型評估
- 選擇適當的評估指標
- 準確率、精確度、召回率與 F1 分數
- 回歸評估指標
- 混淆矩陣
- 驗證策略
- 評估分類模型
- 評估模型泛化能力
- 識別模型弱點
- 比較不同的模型配置
進行預測
- 使用已訓練模型進行推理
- 準備新的輸入數據
- 執行批量與單個預測
- 解讀模型輸出
- 分類概率
- 回歸預測
- 構建推理工作流
- 處理未見數據
- 管理預測管道
評估預測結果
- 分析預測質量
- 將預測結果與預期結果進行比較
- 識別假陽性與假陰性
- 錯誤分析
- 評估模型置信度
- 可視化預測結果
- 檢測數據與預測偏差
- 根據預測分析提升模型性能
模型調試
- 識別常見的訓練問題
- 診斷錯誤預測
- 調試數據管道
- 調查損失與指標行為
- 檢測梯度爆炸與梯度消失
- 診斷過擬合與欠擬合
- 檢查模型層與輸出
- 使用 TensorFlow 調試與性能分析工具
- 提升模型穩定性與性能
保存模型
- 保存已訓練模型
- TensorFlow SavedModel 格式
- 保存與恢復模型權重
- 保存模型架構與配置
- 加載模型以進行推理
- 模型版本管理
- 導出模型以進行部署
- 管理模型工件
- 為生產環境準備模型
將模型部署到雲端
- 基於雲端的模型部署簡介
- 為生產環境準備 TensorFlow 模型
- 通過 API 提供模型服務
- 模型服務概念
- 將 TensorFlow 應用容器化
- 基於雲端的推理
- 擴展模型服務工作負載
- 監控已部署模型
- 管理模型版本
- 生產部署的考量
將模型部署到移動設備
- 移動機器學習的挑戰
- TensorFlow Lite
- 將 TensorFlow 模型轉換以進行移動部署
- 模型優化與體積減小
- 量化（Quantization）
- 在移動設備上運行推理
- 管理移動設備資源
- 將模型整合到移動應用中
- 測試移動推理性能
將模型部署到嵌入式系統（IoT）
- 嵌入式設備上的機器學習
- 用於嵌入式應用的 TensorFlow Lite
- 資源限制與優化
- 減小模型體積與計算需求
- 邊緣推理
- 傳感器與實時數據處理
- 在本地運行預測
- 功耗與內存考量
- 將 TensorFlow 模型整合到 IoT 工作流中
- 測試與監控邊緣部署
將模型與不同語言整合
- TensorFlow 模型的互操作性
- 通過 API 提供模型服務
- 從不同編程環境使用 TensorFlow 模型
- 基於 Python 的模型整合
- 將模型整合到 Web 應用中
- 通過基於 REST 的服務進行模型推理
- 將 TensorFlow 整合到現有應用中
- 數據交換與序列化
- 生產整合的考量
故障排查
- 診斷 TensorFlow 安裝問題
- 排查模型構建錯誤
- 調試數據預處理問題
- 解決訓練失敗問題
- 調查 GPU 和 TPU 配置問題
- 診斷內存與性能問題
- 排查模型加載與保存問題
- 調試部署問題
- 實戰故障排查練習
總結與結論
- TensorFlow 2.x 概念回顧
- 神經網絡與深度學習工作流回顧
- 數據準備與模型開發回顧
- 圖像分類回顧
- 訓練與評估技術回顧
- 模型調試與優化回顧
- 雲端、移動及 IoT 部署回顧
- TensorFlow 開發最佳實踐
- 最終實踐練習
- 問答與討論
最低要求
- 具備 Python 編程經驗。
- 熟悉 Linux 命令行操作。
受眾對象
- 開發人員
- 數據科學家
客戶評論 (4)
培訓組織有序、規劃得當，我從中獲得了系統化的知識，並對所涉及的主題有了深入的瞭解
Magdalena - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
培訓師的知識儲備豐富，且非常平易近人。他們能夠輕鬆傳達重要知識
Mateusz Stachyra - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
我喜歡我們也涵蓋了基礎知識
Tomasz - Samsung Electronics Polska Sp. z o.o.
課程 - Deep Learning with TensorFlow 2
機器翻譯
培訓師講解內容清晰，整個過程中非常引人入勝。他在一些實踐環節中停下來提問，並讓我們自己找到解決方案。他還根據我們的需求很好地調整了課程內容。
Robert Baker
課程 - Deep Learning with TensorFlow 2.0
機器翻譯
