تنسورفلو پیشرفته: آموزش سفارشی‌سازی و بهینه‌سازی - آخرین آپدیت

سرفصل ها و درس ها

حلقه‌های آموزش سفارشی: مبانی محیط عملیاتی Custom Training Loops: The Production Baseline

• زمانی که Model.fit() کافی نیست When Model.fit() Isn’t Enough

• ساخت حلقه کامل GradientTape Building the Complete GradientTape Loop

• شرایط صحت در یک گام آموزشی سفارشی Correctness Conditions of a Custom Training Step

• دمو: آموزش یک شبکه کوچک از ابتدا تا انتها Demo: Train a Small Network End-to-end

کنترل‌های بهینه‌سازی: Clipping و زمان‌بندی‌ها Optimization Controls: Clipping and Schedules

• چرا آموزش مدل ناپایدار می‌شود؟ Why Training Becomes Unstable

• پیاده‌سازی Gradient Clipping و زمان‌بندی نرخ یادگیری Implement Gradient Clipping and LR Schedules

• تنظیم و اعتبارسنجی تثبیت‌کننده‌ها در محیط عملیاتی Tuning and Validating Stabilizers in Production

• دمو: تثبیت آموزش با Clipping و Schedule Demo: Stabilize Training with Clipping and Schedule

تکنیک‌های پیشرفته حلقه: دقت ترکیبی و Nested Tape Advanced Loop Techniques: Mixed Precision and Nested Tape

• مکانیسم‌های حیاتی دقت ترکیبی (Mixed Precision) Mixed Precision Mechanics That Matter

• استفاده از GradientTape تو در تو Nested GradientTape

• الگوی مهندسی: دقت ترکیبی ایمن و Nested Tape Engineering Pattern: Safe Mixed Precision and Nested Tape

• دمو: دقت ترکیبی همراه با Gradient Penalty Demo: Mixed Precision with Gradient Penalty

لایه‌ها و مدل‌های سفارشی: Subclassing برای معماری‌های واقعی Custom Layers and Models: Subclassing for Real Architectures

• چه زمانی از Subclass برای لایه و مدل استفاده کنیم؟ When to Subclass Layer and Model

• پیاده‌سازی اجزای سفارشی Implement Custom Components

• ردیابی آمادگی برای تولید و ذخیره‌سازی اجزای Subclassed Production Readiness Tracking and Saving Subclassed Components

• دمو: اتصال اجزای سفارشی به آموزش - بخش اول Demo: Plug Custom Components into Training—Part One

• دمو: اتصال اجزای سفارشی به آموزش - بخش دوم Demo: Plug Custom Components into Training—Part Two

اجزای آموزش سفارشی: توابع زیان، متریک‌ها، بهینه‌سازها و train_step() Custom Training Components: Losses, Metrics, Optimizers, and train_step()

• طراحی توابع زیان و متریک‌های سفارشی Designing Custom Losses and Metrics

• بهینه‌سازهای سفارشی و متد train_step() Custom Optimizers and train_step()

• اعتبارسنجی اجزای سفارشی پیش از به‌کارگیری Validating Custom Components before You Trust Them

• دمو: آموزش تخصصی با استفاده از train_step() Demo: Specialized Training with train_step()

آموزش توزیع‌شده: استراتژی‌های استقرار Distributed Training: Strategies That Ship

• انتخاب استراتژی و بررسی مزایا و معایب Strategy Selection and Trade-offs

• صحت و عملکرد در آموزش توزیع‌شده Correctness and Performance in Distributed Training

• تبدیل کد به اجرای توزیع‌شده Converting Code to Distributed Execution

• دمو: حلقه سفارشی توزیع‌شده - بخش اول Demo: Distributed Custom Loop—Part One

• دمو: حلقه سفارشی توزیع‌شده - بخش دوم Demo: Distributed Custom Loop—Part Two

بررسی معماری‌های خاص: GNN، VAE، GAN، RL و یکپارچگی با scikit learn Architecture Spotlights: GNNs, VAEs, GANs, RL, and scikit-learn Integration

• نقشه الگوها برای جریان‌های کاری پیشرفته Pattern Map for Advanced Workflows

• الگوهای گام آموزشی مبتنی بر معماری Architecture-driven Training Step Patterns

• ساخت لایه‌ها و مدل‌های GNN Building GNN Layers and Models

• مدل‌های VAE و GAN با حلقه‌های سفارشی VAEs and GANs with Custom Loops

• دمو: حلقه RL و یکپارچگی با Scikit learn - بخش اول Demo: RL Loop and Scikit-learn Integration–Part One

• دمو: حلقه RL و یکپارچگی با Scikit learn - بخش دوم Demo: RL Loop and Scikit-learn Integration–Part Two