Tiefeslernen im Produktionsbuch
Sie können wissen, dass Sie hier eine Kopie des Buches nehmen:
- Amazon : Taschenbuch und Kindle
- Leanpub : EPUB und PDF
Erstellen, trainieren, setzen, skalieren und pflegen Sie Deep -Learning -Modelle. Verstehen Sie die ML-Infrastruktur und Mlops mit praktischen Beispielen.
Was wirst du lernen?
- Best Practices, um Deep Learning Code zu schreiben
- Wie man ein Einheitstest und debuggte maschinelles Lernencode
- Erstellung und Bereitstellung effizienter Datenpipelines
- Wie man tiefe Lernmodelle dient
- So bereitstellen und skalieren Sie Ihre Anwendung
- Was ist Mlops und wie man End-to-End-Pipelines baut?
Für wen ist dieses Buch?
- Software -Ingenieure, die mit Deep Learning beginnen
- Forscher für maschinelles Lernen mit begrenztem Software -Engineering -Hintergrund
- Ingenieure für maschinelles Lernen, die versuchen, ihr Wissen zu stärken
- Datenwissenschaftler, die ihre Modelle produzieren und kundenorientierte Anwendungen erstellen möchten
Welche Tools werden Sie verwenden?
Tensorflow, Flask, UWSGI, Nginx, Docker, Kubernetes, TensorFlow Extended, Google Cloud, Vertex AI
Buchbeschreibung
Deep Learning Research treibt sich in den letzten Jahren rasant vor. Frameworks und Bibliotheken werden ständig entwickelt und aktualisiert. Wir fehlen jedoch immer noch standardisierte Lösungen, wie Deep -Learning -Modelle dienen, bereitgestellt und skalieren können. Deep Learning Infrastructure ist noch nicht sehr ausgereift.
Dieses Buch sammelt eine Reihe von Best Practices und Ansätzen zum Aufbau robuster und skalierbarer Anwendungen für maschinelles Lernen. Es deckt den gesamten Lebenszyklus von der Datenverarbeitung und -schulung bis zur Bereitstellung und Wartung ab. Es wird Ihnen helfen, zu verstehen, wie Sie Methoden übertragen können, die in der Software -Community allgemein angenommen und in Deep -Learning -Projekte angewendet werden.
Es ist eine ausgezeichnete Wahl für Forscher mit einem minimalen Software -Hintergrund, Software -Ingenieuren mit wenig Erfahrung im maschinellen Lernen oder aufstrebenden Ingenieuren für maschinelles Lernen.
Weitere Details und ein kostenloses Beispiel
Besuchen Sie die Seite des Buches
Inhaltsverzeichnis
- Entwerfen eines maschinellen Lernsystems
- Einrichtung einer tiefen Lernwerkstation
- Schreiben und Strukturieren von Deep -Learning -Code
- Datenverarbeitung
- Ausbildung
- Portion
- Bereitstellung
- Skalierung
- Aufbau einer End-to-End-Pipeline
Artikel
Die Bücher basieren auf einer Artikelserie, die in unserem Blog "AI Summer" veröffentlicht wurde, und sie wurden später kombiniert und in eine einzige Ressource organisiert. Einige wurden von Grund auf neu geschrieben; Einige wurden modifiziert, um die Struktur des Buches anzupassen. Außerdem haben wir völlig neues Material hinzugefügt!
- Laptop Setup and System Design: https://theaisummer.com/deep-learning-production/
- Best Practices zum Schreiben von Deep-Learning-Code: Projektstruktur, OOP, Typ Checking und Dokumentation: https://theaisummer.com/best-practices-leep-learning-code/
- Wie man TEAP-Lernen für Einheiten testet: Tests in TensorFlow, Mocking und Test Deckung: https://theaisummer.com/unit-test-peep-learning/
- Protokollierung und Debuggen im maschinellen Lernen: https://theaisummer.com/logging-debugging/
- Datenvorverarbeitung für Deep Learning: https://theaisummer.com/data-preprozessing/
- Datenvorverarbeitung für Deep Learning (Part2): https://theaisummer.com/data-processing-optimization/
- So erstellen Sie eine benutzerdefinierte produktionsbereite Deep-Learning-Trainingsschleife in TensorFlow von Grund auf: https://theaisummer.com/tensorflow-training-loop/
- So trainieren Sie ein tiefes Lernmodell in der Cloud: https://theaisummer.com/training-cloud/
- Distributed Deep Learning Training: Modell und Datenparallelität im Tensorflow: https://theaisummer.com/distributed-training/
- Bereiten Sie ein Deep-Learning-Modell als Webanwendung mit Flask und TensorFlow bereit: https://theaisummer.com/deploy-flask-tensorflow/
- So verwenden Sie UWSGI und NGINX, um ein Deep-Learning-Modell zu dienen: https://theaisummer.com/uwsgi-nginx/
- So verwenden Sie Docker -Container und Docker für Deep Learning -Anwendungen: https://theaisummer.com/docker/
- Skalierbarkeit im maschinellen Lernen: Wachsen Sie Ihr Modell, um Millionen von Benutzern zu bedienen: https://theaisummer.com/scalability/
- Einführung in Kubernetes mit Google Cloud: Bereiten Sie Ihr Deep -Learning -Modell mühelos ein: https://theaisummer.com/kubernetes/
Unterstützung
Wenn Sie unsere Anstrengungen mögen, vergessen Sie nicht, das Projekt zu spielen :) Es ist wichtig!
