프로덕션 북의 딥 러닝
여기에서 책의 사본을 잡을 수 있습니다.
- 아마존 : 페이퍼 백과 킨들
- Leandpub : Epub 및 PDF
딥 러닝 모델을 구축, 훈련, 배포, 확장 및 유지 관리합니다. 실습 예제를 사용하여 ML 인프라 및 MLOPS를 이해하십시오.
무엇을 배울 것인가?
- 딥 러닝 코드를 작성하는 모범 사례
- 기계 학습 코드를 단위 테스트 및 디버그하는 방법
- 효율적인 데이터 파이프 라인을 구축하고 배포하는 방법
- 딥 러닝 모델을 제공하는 방법
- 응용 프로그램을 배포하고 확장하는 방법
- MLOPS 란 무엇이며 엔드 투 엔드 파이프 라인을 구축하는 방법
이 책은 누구입니까?
- 딥 러닝으로 시작하는 소프트웨어 엔지니어
- 소프트웨어 엔지니어링 배경이 제한된 기계 학습 연구원
- 지식을 강화하려는 기계 학습 엔지니어
- 모델을 제작하고 고객 대면 애플리케이션을 구축하려는 데이터 과학자
어떤 도구를 사용할 수 있습니까?
Tensorflow, Flask, Uwsgi, Nginx, Docker, Kubernetes, Tensorflow Extended, Google Cloud, Vertex AI
서적 설명
딥 러닝 연구는 지난 몇 년 동안 빠르게 발전하고 있습니다. 프레임 워크와 라이브러리는 지속적으로 개발 및 업데이트되었습니다. 그러나 우리는 여전히 딥 러닝 모델을 제공, 배포 및 확장하는 방법에 대한 표준화 된 솔루션이 부족합니다. 딥 러닝 인프라는 아직 성숙하지 않습니다.
이 책은 강력하고 확장 가능한 기계 학습 응용 프로그램을 구축하는 방법에 대한 모범 사례와 접근 방식을 축적합니다. 데이터 처리 및 교육에서 배포 및 유지 보수에 이르기까지 전체 수명주기를 포함합니다. 소프트웨어 커뮤니티에서 일반적으로 허용되고 적용되는 방법론을 딥 러닝 프로젝트로 전송하는 방법을 이해하는 데 도움이됩니다.
최소한의 소프트웨어 배경을 가진 연구원, 기계 학습에 대한 경험이 거의없는 소프트웨어 엔지니어 또는 야심 찬 기계 학습 엔지니어를 가진 연구원에게는 훌륭한 선택입니다.
자세한 내용 및 무료 샘플
책의 페이지를 방문하십시오
목차
- 머신 러닝 시스템 설계
- 딥 러닝 워크 스테이션 설정
- 딥 러닝 코드 작성 및 구조
- 데이터 처리
- 훈련
- 피복재
- 배포
- 스케일링
- 엔드 투 엔드 파이프 라인 구축
조항
이 책은 블로그 "AI Summer"에 게시 된 기사 시리즈를 기반으로하며 나중에 단일 자원으로 결합되어 구성되었습니다. 일부는 처음부터 다시 작성되었습니다. 일부는이 책의 구조에 맞게 수정되었습니다. 또한, 우리는 완전히 새로운 재료를 추가했습니다!
- 노트북 설정 및 시스템 설계 : https://theaisummer.com/deep-learning-production/
- 딥 러닝 코드 작성 모범 사례 : 프로젝트 구조, OOP, 유형 확인 및 문서 : https://theaisummer.com/best-practices-deep-learning-code/
- 단위 테스트 딥 러닝 방법 : 텐서 플로우, 조롱 및 테스트 범위에서 테스트 : https://theaisummer.com/unit-test-depeep-learning/
- 머신 러닝에서 로깅 및 디버깅 : https://theaisummer.com/logging-debugging/
- 딥 러닝을위한 데이터 전처리 : https://theaisummer.com/data-preprocessing/
- 딥 러닝을위한 데이터 전처리 (Part2) : https://theaisummer.com/data-processing-optimization/
- Tensorflow에서 맞춤형 생산 준비 딥 러닝 교육 루프를 처음부터 처음부터 구축하는 방법 : https://theaisummer.com/tensorflow-training-roop/
- 클라우드에서 딥 러닝 모델을 훈련시키는 방법 : https://theaisummer.com/training-cloud/
- 분산 딥 러닝 교육 : Tensorflow의 모델 및 데이터 병렬 처리 : https://theaisummer.com/distributed-training/
- Flask 및 Tensorflow를 사용하여 웹 애플리케이션으로 딥 러닝 모델을 배포하십시오 : https://theaisummer.com/deploy-flask-tensorflow/
- 딥 러닝 모델을 제공하기 위해 uwsgi 및 nginx를 사용하는 방법 : https://theaisummer.com/uwsgi-nginx/
- 딥 러닝 애플리케이션에 Docker 컨테이너 및 Docker Compose를 사용하는 방법 : https://theaisummer.com/docker/
- 기계 학습의 확장 성 : 수백만 명의 사용자에게 서비스를 제공하기 위해 모델을 성장시킵니다 : https://theaisummer.com/scalability/
- Google Cloud로 Kubernetes 소개 : 딥 러닝 모델을 쉽게 배포하십시오 : https://theaisummer.com/kubernetes/
지원하다
우리의 노력이 마음에 들면 프로젝트를 별표하는 것을 잊지 마십시오 :) 그것은 중요합니다!
