آموزش شروع کار با Tensorflow 2.0

Getting Started with Tensorflow 2.0

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: این دوره بر معرفی چارچوب TensorFlow 2.0 - بررسی ویژگی ها و عملکردهایی که برای ساخت و آموزش شبکه های عصبی ارائه می دهد ، متمرکز است. این دوره در مورد چگونگی تفاوت TensorFlow 2.0 با TensorFlow 1.x و چگونگی ... TensorFlow از مدت ها قبل یک چارچوب قدرتمند و پرکاربرد برای ساخت و آموزش مدل های شبکه عصبی است. در سال های اخیر ، چارچوب های دیگری مانند PyTorch به دلیل مدل برنامه نویسی بصری خود که از نمودارهای اجرای پویا استفاده می کند ، محبوبیت بیشتری کسب کرده اند. اکنون TensorFlow 2.0 سهولت استفاده از سایر فریم ورک ها را به همراه عملکرد و عملکرد TensorFlow ارائه می دهد. استفاده از TensorFlow از API سطح بالای Keras باعث طراحی و آموزش شبکه های عصبی بسیار سرراست می شود در حالی که اجرای مشتاقانه مدل های نمونه سازی و اشکال زدایی را ساده می کند. ابتدا ویژگی های اساسی در TensorFlow 2.0 و تفاوت مدل برنامه نویسی آن با نسخه های TensorFlow 1.x را کشف خواهید کرد. شما کار اساسی یک شبکه عصبی و واحد یادگیری فعال آن ، نورون را درک خواهید کرد. در مرحله بعدی ، شما نمودارهای محاسبه ایستا و پویا را مقایسه و مقایسه می کنید و مزایا و معایب کار با هر نوع نمودار را درک خواهید کرد. شما می توانید در TensorFlow 2.0 در حالت اجرای مشتاقانه به کاوش عملی بپردازید و با استفاده از دکوراتور tf.function برای تزئین توابع معمولی پایتون ، بازده عملکرد نمودارهای استاتیک را مهار کنید. سپس خواهید آموخت که چگونه یک شبکه عصبی با استفاده از بهینه سازی نزول گرادیان آموزش می یابد و چگونه کتابخانه GradientTape () در TensorFlow شیب ها را به طور خودکار در مرحله آموزش مدل شبکه عصبی شما محاسبه می کند. سرانجام ، شما خواهید آموخت که چگونه API های مختلف در Keras به موارد استفاده مختلف وام می دهند. مدل های متوالی متشکل از لایه هایی که روی هم قرار گرفته اند ساده هستند و مدت ها توسط Keras پشتیبانی می شدند. شما همچنین می توانید API عملکردی و زیر طبقه بندی مدل را در Keras کشف کنید و سپس از این API ها برای ساخت رگرسیون و همچنین مدل های طبقه بندی استفاده می کنید. وقتی این دوره را به پایان رسانید ، مهارت و دانش لازم برای استفاده از قدرت محاسباتی TensorFlow 2.0 را خواهید داشت. چارچوب را انتخاب کنید و از بین استراتژی های مختلف مدل سازی موجود در کراس انتخاب کنید.

سرفصل ها و درس ها

بررسی اجمالی دوره Course Overview

  • بررسی اجمالی دوره Course Overview

بررسی چارچوب TensorFlow 2.0 Exploring the TensorFlow 2.0 Framework

  • پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

  • TensorFlow 1.x در مقابل TensorFlow 2.0 TensorFlow 1.x vs. TensorFlow 2.0

  • معرفی شبکه های عصبی Introducing Neural Networks

  • نورون ها و توابع فعال سازی Neurons and Activation Functions

  • نسخه ی نمایشی: TensorFlow را نصب و تنظیم کنید Demo: Install and Set up TensorFlow

  • نسخه ی نمایشی: تنورها و عملکردهای تنسور Demo: Tensors and Tensor Operations

  • نسخه ی نمایشی: متغیرها Demo: Variables

  • TensorFlow و Keras TensorFlow and Keras

درک نمودارهای محاسبه پویا و استاتیک Understanding Dynamic and Static Computation Graphs

  • نمودار محاسبه The Computation Graph

  • نمودارهای محاسبه ایستا و پویا Static and Dynamic Computation Graphs

  • نسخه ی نمایشی: جلسات TensorFlow V1 برای اجرای نمودارهای محاسبه استاتیک Demo: TensorFlow V1 Sessions to Execute Static Computation Graphs

  • نسخه ی نمایشی: TensorBoard برای تجسم نمودارها Demo: TensorBoard to Visualize Graphs

  • نسخه ی نمایشی: اعدام با اشتیاق Demo: Eager Execution

  • عملکرد tf tf.function

  • نسخه ی نمایشی: در حال اجرا در حالت نمودار با استفاده از @ tf.function Demo: Running in Graph Mode Using @tf.function

  • نسخه ی نمایشی: جملات با اثرات جانبی پایتون در حالت نمودار Demo: Statements with Python Side Effects in Graph Mode

  • نسخه ی نمایشی: ایجاد متغیرها در حالت نمودار Demo: Instantiating Variables in Graph Mode

محاسبات شیب برای آموزش مدل Computing Gradients for Model Training

  • شیب نزولی Gradient Descent

  • پاس های جلو و عقب Forward and Backward Passes

  • محاسبه شیب ها با استفاده از نوار گرادیان Calculating Gradients Using Gradient Tape

  • حالت معکوس تمایز خودکار Reverse Mode Automatic Differentiation

  • نسخه ی نمایشی: نوار گرادیان برای محاسبات گرادیان Demo: Gradient Tape for Gradient Calculations

  • نسخه ی نمایشی: درک عملیات نوار گرادیان Demo: Understanding Gradient Tape Operations

  • نسخه ی نمایشی: رگرسیون ساده با استفاده از محاسبه گرادیان Demo: Simple Regression Using Gradient Calculation

  • نسخه ی نمایشی: رگرسیون ساده با یک مدل متوالی Demo: Simple Regression with a Sequential Model

استفاده از Sequential API در کراس Using the Sequential API in Keras

  • معرفی Sequential API در کراس Introducing the Sequential API in Keras

  • نسخه ی نمایشی: کاوش و پردازش مجموعه داده های امید به زندگی Demo: Exploring and Processing the Life Expectancy Dataset

  • نسخه ی نمایشی: ساخت و آموزش یک مدل متوالی Demo: Building and Training a Sequential Model

  • نسخه ی نمایشی: TensorBoard برای تجسم روند آموزش Demo: TensorBoard to Visualize the Training Process

  • نسخه ی نمایشی: پیکربندی بهینه سازها و توابع فعال سازی Demo: Configuring Optimizers and Activation Functions

استفاده از API عملکردی و زیر کلاس بندی مدل در کراس Using the Functional API and Model Subclassing in Keras

  • API عملکردی و زیر کلاس بندی مدل The Functional API and Model Subclassing

  • نسخه ی نمایشی: کاوش در مجموعه بیماری های قلبی Demo: Exploring the Heart Disease Dataset

  • نسخه ی نمایشی: ساخت یک مدل با استفاده از API عملکردی Keras Demo: Building a Model Using the Keras Functional API

  • نسخه ی نمایشی: کاوش و پردازش مجموعه داده های شراب Demo: Exploring and Processing the Wine Dataset

  • نسخه ی نمایشی: ساخت و آموزش مدل طبقه بندی چند طبقه با استفاده از طبقه بندی فرعی مدل Demo: Building and Training a Multi Class Classification Model Using Model Subclassing

  • خلاصه و مطالعه بیشتر Summary and Further Study

نمایش نظرات

نظری ارسال نشده است.

آموزش شروع کار با Tensorflow 2.0
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
3h 9m
37
Pluralsight (پلورال سایت) pluralsight-small
02 مرداد 1399 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
22
4.3 از 5
دارد
دارد
دارد
Janani Ravi

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.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.