深度學習與磚

描述

本課程首先覆蓋神經網絡和tensorflow的基礎知識。keras API。我們將重點討論如何利用火花規模模型,包括分布式訓練,hyperparameter調優,和推理,而利用MLflow跟蹤版本,並管理這些模型。我們將深入探討分布式深度學習,包括實際的例子來比較和對比各種分布式數據的技術準備,包括Petastorm和TFRecord以及分布式訓練技巧Horovod和spark-tensorflow-distributor等。為了更好地理解模型的預測,您將模型解釋能力庫。此外,您將了解背後的概念卷積神經網絡(cnn)和轉移學習,並將它們應用於解決圖像分類任務。我們將結束本課程通過介紹遞歸神經網絡(RNNs)和以自然語言處理(NLP)應用程序的模型。

持續時間

2天或4天的一半

目標

• 使用tensorflow.keras構建深度學習模型

• 大規模優化hyperparameters Hyperopt和火花

• 使用MLflow跟蹤、版本和管理實驗

• 使用熊貓udf執行大規模分布式推理

• 規模和訓練使用Horovod分布式深度學習模型

• 應用模型的可解釋性庫,如世鵬科技電子、理解模型預測

• cnn和轉移學習用於圖像分類任務

• 使用RNNs,引起模型和轉移學習NLP的任務

先決條件

• 中間經曆Python和熊貓(或完成介紹了Python數據科學與數據工程)

• 熟悉Apache火花(或完成Apache火花編程)

• 機器學習和數據科學的工作知識(或完成可擴展的機器學習與Apache火花)

物流

• 變焦是我們選擇在線平台提供類。Beplay体育安卓版本確保您可以訪問變焦點擊這裏。

• 一些類也可能利用鬆弛課堂交流。請測試鬆弛點擊這裏。如果你有困難連接鬆弛,請斷開您的VPN。

• 如果你的公司筆記本電腦有防火牆限製,我們建議您使用個人筆記本電腦培訓。

• 請其中一個支持瀏覽器安裝。

大綱

第一天

• 神經網絡和tf。keras基本麵

• 提高模型通過添加數據標準化、回調,檢查點,等等。

• 與MLflow追蹤模型和版本

• 分布式推理與熊貓udf

• Hyperopt分布式hyperparameter調優

• 與Petastorm大規模數據準備

第二天

• 分布式模型訓練和Horovod Petastorm

• 模型的可解釋性與世鵬科技電子

• cnn的圖像分類和轉移學習

• 使用spark-tensorflow-distributor TFRecord分布式訓練

• 磚上部署REST端點使用MLflow模型服務

• 文本嵌入,RNNs,引起模型和轉移學習(尼珥)的命名實體識別

即將到來的公共類