آموزش عمیق تمام پشته با پایتون

معرفی Introduction

• یادگیری عمیق کامل پشته، MLOps و MLflow Full-stack deep learning, MLOps, and MLflow

• پیش نیازها Prerequisites

1. مروری بر Full-Stack Deep Learning 1. An Overview of Full-Stack Deep Learning

• معرفی MLOs Introducing MLOps

• راه اندازی محیط در Google Colab Setting up the environment on Google Colab

• اجرای MLflow و استفاده از ngrok برای دسترسی به رابط کاربری MLflow Running MLflow and using ngrok to access the MLflow UI

• آموزش عمیق تمام پشته را معرفی می کنیم Introducing full-stack deep learning

• معرفی MLflow Introducing MLflow

2. آموزش و ارزیابی مدل با استفاده از MLflow 2. Model Training and Evaluation Using MLflow

• پیش بینی با استفاده از مصنوعات MLflow Making predictions using MLflow artifacts

• ثبت معیارها، پارامترها و مصنوعات در MLflow Logging metrics, parameters, and artifacts in MLflow

• آموزش یک مدل در اجرای MLflow Training a model within an MLflow run

• مجموعه داده و بارگذار داده را تنظیم کنید Set up the dataset and data loader

• پیکربندی مدل طبقه بندی تصویر DNN Configuring the image classification DNN model

• بررسی پارامترها و معیارها در MLflow Exploring parameters and metrics in MLflow

• بارگیری و کاوش مجموعه داده EMNIST Loading and exploring the EMNIST dataset

3. آموزش مدل و تنظیم فراپارامتر 3. Model Training and Hyperparameter Tuning

• تنظیم تابع هدف برای تنظیم فراپارامتر Setting up the objective function for hyperparameter tuning

• تجسم نمودارها، معیارها و پارامترها در MLflow Visualizing charts, metrics, and parameters on MLflow

• بهینه سازی هایپرپارامتر با Hyperopt و MLflow Hyperparameter optimization with Hyperopt and MLflow

• آماده سازی داده ها برای طبقه بندی تصویر با استفاده از CNN Preparing data for image classification using CNN

• ثبت یک مدل در رجیستری MLflow Registering a model with the MLflow registry

• پیکربندی و آموزش مدل با استفاده از اجراهای MLflow Configuring and training the model using MLflow runs

• شناسایی بهترین مدل Identifying the best model

4. استقرار مدل و پیش بینی ها 4. Model Deployment and Predictions

• راه اندازی MLflow در ماشین محلی Setting up MLflow on the local machine

• راه حلی برای دریافت مصنوعات مدل در ماشین محلی Workaround to get model artifacts on the local machine

• استقرار و ارائه مدل به صورت محلی Deploying and serving the model locally

نتیجه Conclusion

• خلاصه و مراحل بعدی Summary and next steps