نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره شامل دو ابزار خاص در جعبه ابزار TensorFlow - tfdbg و TensorBoard است. از این ابزارها می توان برای بررسی وضعیت داخلی برنامه های TensorFlow و تجسم معیارهای اجرا و حالت استفاده کرد. وجه مهم ساخت مدل های خوب ML ، توانایی اشکال زدایی کد TensorFlow در هنگام عدم همگرایی مدل های شما است. اشکال زدایی های سنتی در این زمینه کوتاهی می کنند ، به همین دلیل tfdbg و TensorBoard مهارت های مهمی در مجموعه ابزار شما هستند. در این دوره ، اشکال زدایی و نظارت بر برنامه های TensorFlow ، خواهید آموخت که چگونه می توانید دستورات TensorFlow و توابع کتابخانه را برای کمک به اشکال زدایی برنامه های خود علاوه بر یادگیری ابزارهای تخصصی مانند tfdbg و Tensorboard ، تطبیق دهید. در ابتدا ، شما از ویژگی های خاص TensorFlow برای رفع اشکال کد خود استفاده خواهید کرد. اجرای جزئی نمودار ، دستورات tf.Print () و tf.Assert () ، اشکال زدایی سنتی پایتون و tf.py_func () برای قرار دادن کد پایتون دلخواه در نمودار محاسباتی شما ، به اشکال زدایی مرحله ساخت نمودار کمک می کند. در مرحله بعدی ، خواهید دید که اشکال زدایی تخصصی TensorFlow tfdbg بسیار شبیه اشکال زدایی های سنتی پایتون است اما توانایی گام در دستورات session.run () و نمایش نمودار محاسبه شما در هر مرحله را دارد. این فیلتر همچنین دارای فیلترهایی مانند has_inf_or_nan است که به شما امکان می دهد در نقطه دقیق تغییر مدل خود بشکنید. در آخر ، Tensorboard به شما نشان داده می شود که ابزاری مبتنی بر مرورگر است و به شما کمک می کند نمودار محاسبات خود را تجسم کنید و نحوه جریان کنترل از طریق کد خود را مشاهده کنید. علاوه بر این ، می تواند برای نمایش معیارهای اجرا و وضعیت فعلی برنامه شما استفاده شود. پس از اتمام این دوره ، از طریق تجهیز به ابزارهای مهم برای ساخت و رفع اشکال مدل های قدرتمند یادگیری ماشین ، به تسلط بر TensorFlow نزدیکتر خواهید بود.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
-
بررسی اجمالی دوره
Course Overview
معرفی روشهای رفع اشکال TensorFlow
Introducing TensorFlow Debugging Methods
-
بررسی اجمالی ماژول
Module Overview
-
پیش نیازها و بررسی اجمالی دوره
Prerequisites and Course Overview
-
مروری کوتاه بر نمودارهای محاسبه
A Brief Overview of Computation Graphs
-
اشکال زدایی از برنامه های TensorFlow
Debugging TensorFlow Programs
-
واکشی تنورها: محاسبه مقادیر متوسط
Fetching Tensors: Computing Intermediate Values
-
واکشی تنورها: یک مثال شبکه عصبی
Fetching Tensors: A Neural Network Example
-
واکشی تنورها: عوارض جانبی
Fetching Tensors: Side Effects
-
اجرای جزئی
Partial Runs
-
معرفی tf.Print ()
Introducing tf.Print()
-
tf.Print (): یک مثال شبکه عصبی
tf.Print(): A Neural Network Example
-
معرفی tf.Assert ()
Introducing tf.Assert()
-
اشکال زدایی سنتی پایتون
Traditional Python Debuggers
-
قرار دادن کد پایتون در نمودارهای محاسباتی
Interposing Python Code in Computation Graphs
-
معرفی tfdbg و TensorBoard
Introducing tfdbg and TensorBoard
استفاده از tfdbg در موارد معمول استفاده
Applying tfdbg to Common Use-cases
-
بررسی اجمالی ماژول
Module Overview
-
The Curses Library برای tfdbg
The Curses Library for tfdbg
-
معرفی دستورات tfdbg
Introducing tfdbg Commands
-
میانبرهای اشکال زدایی و چند جلسه اجرا می شود
Debugging Shortcuts and Multiple Session Runs
-
با استفاده از has_inf_or_nan و فیلترهای سفارشی
Using has_inf_or_nan and Custom Filters
-
استفاده از فیلترها با شبکه های عصبی
Using Filters with Neural Networks
-
برآوردگرها و آزمایشات اشکال زدایی
Debugging Estimators and Experiments
-
اشکال زدایی مدل های Keras
Debugging Keras Models
تجسم TensorFlow با استفاده از TensorBoard
Visualizing TensorFlow Using TensorBoard
-
بررسی اجمالی ماژول
Module Overview
-
معرفی TensorBoard
Introducing TensorBoard
-
نامگذاری تنورها و گره ها
Naming Tensors and Nodes
-
با استفاده از محدوده های نامگذاری شده
Using Named Scopes
-
خلاصه مقیاس
Scalar Summaries
-
هیستوگرام
Histograms
-
میانگین توزیع عادی در حال حرکت است
Moving Mean Normal Distribution
-
هیستوگرام های بیشتر
More Histograms
-
آمار زمان اجرا
Runtime Statistics
-
کار با تصاویر
Working with Images
نمایش نظرات