Обучение пользовательским и распределенным моделям в TensorFlow

Для создания сложных моделей машинного обучения стандартных API высокого уровня не всегда достаточно. Чтобы получить полный контроль над процессами обучения и эффективно масштабировать их, необходимо понимать, как писать пользовательские циклы и распределять рабочие нагрузки. Этот курс поможет вам освоить основы работы с TensorFlow и создать высокопроизводительные конвейеры обучения. Вы узнаете, как Tensor Flow управляет вычислениями, позволяя оптимизировать производительность и масштабировать модели на разных устройствах. Что вы узнаете: - Понять основополагающую структуру объектов тензорного анализа, методы стремительного выполнения и вычисления графов. - Создание пользовательских тренировочных циклов с нуля с использованием GradientTape для точного контроля над оптимизацией модели. - Настроить эффективные входные трубопроводы с использованием современных методов tf.data для предотвращения узких мест обучения. - Применяйте распределенные стратегии обучения для масштабирования моделей на нескольких графических процессорах и машинах. - Оптимизация производительности модели путем преобразования динамического кода Python в высокоскоростные графы статических вычислений. Начнем с основ архитектуры TensorFlow, включая тензоры, переменные и автоматическую дифференциацию. Далее мы перейдем к построению пользовательской логики обучения и применению распределенных стратегий для работы с крупномасштабными наборами данных. Этот курс предназначен для разработчиков и начинающих инженеров машинного обучения, которые хотят выйти за рамки основных API высокого уровня. Рекомендуется фундаментальное понимание Python и основных нейронных сетей, но предыдущий опыт работы с пользовательскими рабочими процессами TensorFlow не требуется. Начните осваивать пользовательские конвейеры обучения и масштабировать свои модели машинного обучения уже сегодня.