Пройдите путь от основ TensorFlow 2 до работающих нейросетевых моделей в девяти Jupyter Notebook. Вы начнёте с тензоров, eager execution и автоматического дифференцирования, затем реализуете регрессию и классификацию и перейдёте к свёрточным сетям, переносу обучения и сохранению моделей.
Курс намеренно сравнивает разные уровни API. Вы напишете низкоуровневые вычисления с переменными и GradientTape, построите модели tf.keras в стилях Sequential и Functional, создадите подклассы моделей и завершите задачи на реальных и синтетических данных.
Чему вы научитесь
- Создавать и изменять тензоры и переменные TensorFlow в eager execution
- Вычислять производные и отслеживать градиенты с
tf.GradientTape - Реализовывать линейную регрессию низкоуровневыми операциями, слоями и Keras
- Подбирать полиномиальную регрессию, завершая низкоуровневую реализацию
- Строить неглубокие классификаторы собственным кодом, Sequential, Functional и подклассами
- Готовить и классифицировать рукописные цифры и данные безопасности автомобилей
- Создавать сети VGG и LeNet-5 для Fashion-MNIST и адаптировать предобученную VGG16
- Сохранять и восстанавливать веса, полные модели и низкоуровневые checkpoints
Для кого этот курс
Курс предназначен для учащихся со знанием Python и вводного машинного обучения, которые хотят пройти TensorFlow 2 от тензоров до CNN через код. Хотя Notebook отмечены как начальные, они быстро продвигаются и предполагают понимание массивов, регрессии, классификации и роли нейросетевых слоёв. Развёртывание и промышленный serving не рассматриваются.
Предварительные требования: Рекомендуются Python, операции с массивами NumPy и начальные знания производных, регрессии, классификации и нейронных сетей. Полезно знать Jupyter Notebook.
Учебная среда: Все девять занятий выполняются в предоставленной среде Jupyter на Ubuntu 22.04. Notebook содержат объяснения, запускаемые примеры, загрузку данных и разделы реализации для завершения.
Часто задаваемые вопросы
Это только введение в синтаксис TensorFlow?
Нет. После синтаксиса и автодифференцирования идут регрессия, классификация, CNN в стиле VGG и LeNet-5, перенос обучения и сохранение моделей.
Какие наборы данных используются?
Используются сгенерированные данные регрессии, цифры scikit-learn, Car Evaluation и Fashion-MNIST для регрессии, табличной и графической классификации.
Все примеры следуют новейшему стилю API TensorFlow 2?
Нет. Основной подход использует eager, GradientTape и tf.keras, но некоторые ячейки сохраняют ранние имена вроде tf.train.AdamOptimizer. При переносе сверяйтесь с актуальной документацией.
Есть ли единый итоговый проект?
Нет. Вместо него есть отдельные задачи по полиномиальной регрессии, классификации безопасности автомобилей и сети типа LeNet-5 вместе с пошаговыми Notebook.
