آموزش جامع یادگیری عمیق فول استک با پایتون (2024) - آخرین آپدیت

مقدمه Introduction

• یادگیری عمیق فول استک، MLOps و MLflow Full-stack deep learning, MLOps, and MLflow

• پیش‌نیازها Prerequisites

1. نمای کلی یادگیری عمیق فول استک 1. An Overview of Full-Stack Deep Learning

• آشنایی با MLOps Introducing MLOps

• راه‌اندازی محیط در گوگل کولب (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

• معرفی یادگیری عمیق فول استک 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

• انجام پیش‌بینی‌ها با استفاده از آرتیفکت‌های MLflow Making predictions using MLflow artifacts

• ثبت متریک‌ها، پارامترها و آرتیفکت‌ها در MLflow Logging metrics, parameters, and artifacts in MLflow

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

• راه‌اندازی مجموعه داده و لودر داده‌ها (data loader) Set up the dataset and data loader

• پیکربندی مدل DNN برای طبقه‌بندی تصاویر Configuring the image classification DNN model

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

• بارگذاری و بررسی مجموعه داده EMNIST Loading and exploring the EMNIST dataset

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

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

• بصری‌سازی نمودارها، متریک‌ها و پارامترها در MLflow Visualizing charts, metrics, and parameters on MLflow

• بهینه‌سازی هایپرپارامترها با Hyperopt و MLflow Hyperparameter optimization with Hyperopt and MLflow

• تهیه داده‌ها برای طبقه‌بندی تصاویر با استفاده از CNN Preparing data for image classification using CNN

• ثبت مدل در ریجستری 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 پیش‌بینی‌ها 4. Model Deployment and Predictions

• راه‌اندازی MLflow روی سیستم محلی (Local Machine) Setting up MLflow on the local machine

• راهکار دسترسی به آرتیفکت‌های مدل در سیستم محلی Workaround to get model artifacts on the local machine

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

نتیجه‌گیری Conclusion

• جمع‌بندی و گام‌های بعدی Summary and next steps