آموزش اشکال زدایی و نظارت بر برنامه های TensorFlow

Debugging and Monitoring TensorFlow Programs

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

آموزش اشکال زدایی و نظارت بر برنامه های TensorFlow
جزییات دوره
2h 17m
33
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Janani Ravi
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

Janani Ravi یک معمار و مهندس داده خبره Google cloud است.

جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.