Глубокое обучение в производственной книге
Вы можете знать, взять копию книги отсюда:
- Amazon : мягкая обложка и Kindle
- Leanpub : epub и pdf
Создавать, тренировать, развернуть, масштабировать и поддерживать модели глубокого обучения. Поймите инфраструктуру ML и MLOP, используя практические примеры.
Чему вы узнаете?
- Лучшие практики для написания кода глубокого обучения
- Как провести модульный тест и код машинного обучения.
- Как создать и развернуть эффективные трубопроводы данных
- Как обслуживать модели глубокого обучения
- Как развернуть и масштабировать приложение
- Что такое Mlops и как строить сквозные трубопроводы
Для кого эта книга?
- Инженеры -программисты, которые начинают с глубокого обучения
- Исследователи машинного обучения с ограниченным опытом разработки программного обеспечения
- Инженеры машинного обучения, которые стремятся укрепить свои знания
- Ученые по данным, которые хотят производства своих моделей и создать приложения, обращенные к клиентам
Какие инструменты вы будете использовать?
Tensorflow, Flask, Uwsgi, Nginx, Docker, Kubernetes, расширенность Tensorflow, Google Cloud, Vertex Ai
Описание книги
Исследование глубокого обучения быстро продвигается за последние годы. Фреймворки и библиотеки постоянно разрабатываются и обновляются. Тем не менее, нам по -прежнему не хватает стандартизированных решений о том, как обслуживать, развернуть и масштабировать модели глубокого обучения. Инфраструктура глубокого обучения еще не очень зрелая.
Эта книга накапливает набор лучших практик и подходов к тому, как создать надежные и масштабируемые приложения машинного обучения. Он охватывает весь жизненный цикл от обработки данных и обучения до развертывания и обслуживания. Это поможет вам понять, как перенести методологии, которые общеприняты и применяются в сообществе программного обеспечения, в проекты глубокого обучения.
Это отличный выбор для исследователей с минимальным программным фоном, инженерами -программистами с небольшим опытом работы в области машинного обучения или начинающим инженерами машинного обучения.
Более подробная информация и бесплатный образец
Посетите страницу книги
Оглавление
- Проектирование системы машинного обучения
- Настройка рабочей станции глубокого обучения
- Написание и структурирование кода глубокого обучения
- Обработка данных
- Обучение
- Порция
- Развертывание
- Масштабирование
- Создание сквозного трубопровода
Статьи
Книги основаны на серии статей, опубликованной в нашем блоге «AI Summer», и позже они были объединены и организованы в один ресурс. Некоторые были переписаны с нуля; Некоторые были изменены, чтобы соответствовать структуре книги. Кроме того, мы добавили совершенно новый материал!
- Настройка ноутбука и дизайн системы: https://theaisummer.com/deep-learning-production/
- Лучшие методы написания кода глубокого обучения: структура проекта, ООП, проверка типа и документация: https://theaisummer.com/best-practices-deep-learning-code/
- Как проверить глубокое обучение.
- Регистрация и отладка в машинном обучении: https://theaisummer.com/logging-debugging/
- Предварительная обработка данных для глубокого обучения: https://theaisummer.com/data-preprocessing/
- Предварительная обработка данных для глубокого обучения (part2): https://theaisummer.com/data-processing-optimization/
- Как построить пользовательскую программу, готовую к производству тренировочной петли глубокого обучения в Tensorflow с нуля: https://theaisummer.com/tensorflow training-loop/
- Как обучить модель глубокого обучения в облаке: https://theaisummer.com/training-cloud/
- Распределенное обучение глубокому обучению: модель и параллелизм данных в Tensorflow: https://theaisummer.com/distributed traing/
- Развернуть модель глубокого обучения в качестве веб-приложения, используя Flask и Tensorflow: https://theaisummer.com/deploy-flask-tensorflow/
- Как использовать Uwsgi и Nginx для обслуживания модели глубокого обучения: https://theaisummer.com/uwsgi-nginx/
- Как использовать контейнеры Docker и Docker Compose для приложений глубокого обучения: https://theaisummer.com/docker/
- Масштабируемость в машинном обучении: выращивайте свою модель, чтобы обслуживать миллионы пользователей: https://theaisummer.com/scalability/
- Введение в Kubernetes с Google Cloud: развернуть свою модель глубокого обучения без особых усилий: https://theaisummer.com/kubernetes/
Поддерживать
Если вам нравятся наши усилия, не забудьте снять проект :) Это имеет значение!
