Description du cours
TensorFlow est un outil puissant pour l'apprentissage automatique, mais il existe également un certain nombre de modules complémentaires disponibles qui peuvent améliorer ses capacités. Dans ces leçons, vous explorerez les différents modules complémentaires disponibles et comment les utiliser efficacement dans vos projets d’apprentissage automatique.
Vous allez commencer par explorer différentes instructions Vrai/Faux liées aux modules complémentaires pour TensorFlow, telles que l'utilité de TensorFlow Hub pour rechercher des modèles pré-entraînés et les fonctionnalités de serveur de TensorFlow. Vous découvrirez des outils tels que TensorFlow Lite, qui est conçu pour les appareils dont la puissance du processeur est limitée ; et l'API de probabilité TensorFlow, qui comprend des fonctionnalités telles que les algorithmes de Monte-Carlo et les chaînes de Markov.
Vous découvrirez également les modules populaires pour l'apprentissage automatique, tels que scikit-learn, et comment utiliser les bibliothèques Python telles que les requêtes et JSON pour communiquer avec les serveurs TensorFlow. En outre, vous explorerez les différents aspects du processus de déploiement, tels que l'enregistrement d'un modèle et la configuration d'un serveur.
À l'aide d'outils tels que TensorFlow Hub, vous apprendrez à trouver et à utiliser des modèles pré-entraînés, et à utiliser TensorFlow Lite pour déployer vos modèles sur des appareils dont la puissance du processeur est limitée. Vous explorerez également les différentes fonctionnalités disponibles dans l'API de probabilité TensorFlow et comment elles peuvent être utilisées pour améliorer vos modèles d’apprentissage automatique.
Dans l'ensemble, vous acquerrez une compréhension de base des différents modules complémentaires disponibles pour TensorFlow et des compétences nécessaires pour les utiliser efficacement dans vos projets d’apprentissage automatique.
Ce que vous allez apprendre
- Explorer les différents modules complémentaires (add-ons) disponibles pour TensorFlow et comment les utiliser efficacement dans les projets d'apprentissage automatique (machine learning)
- Utiliser TensorFlow Hub pour trouver et utiliser des modèles pré-entraînés
- Déployer des modèles sur des appareils à puissance de calcul (CPU) limitée à l'aide de TensorFlow Lite
- Utiliser des bibliothèques Python telles que requests et JSON pour communiquer avec les serveurs TensorFlow
- Examiner les fonctionnalités de l'API TensorFlow Probability, notamment les algorithmes de Monte Carlo et les chaînes de Markov
- Passer en revue le processus de déploiement, comme la sauvegarde d'un modèle et la configuration d'un serveur
Points clés à retenir
- TensorFlow dispose d'un certain nombre d'extensions (add-ons) qui peuvent améliorer ses capacités pour des projets d'apprentissage automatique.
- TensorFlow Hub est utile pour trouver des modèles pré-entraînés, tandis que TensorFlow Lite est conçu pour les appareils dotés d'une puissance CPU limitée.
- L'API TensorFlow Probability inclut des fonctionnalités telles que les algorithmes de Monte Carlo et les chaînes de Markov.
- Les bibliothèques Python telles que requests et JSON peuvent être utilisées pour communiquer avec les serveurs TensorFlow.
- Le processus de déploiement couvre des aspects tels que la sauvegarde d'un modèle et la configuration d'un serveur.
Foire aux questions
À qui s'adresse ce cours ?
Il s'agit d'un cours de niveau débutant pour ceux qui souhaitent acquérir une compréhension fondamentale des différents add-ons disponibles pour TensorFlow et les compétences nécessaires pour les utiliser efficacement dans des projets d'apprentissage automatique.
Quels add-ons le cours couvre-t-il ?
Il couvre des outils tels que TensorFlow Hub pour trouver des modèles pré-entraînés, TensorFlow Lite pour les appareils à puissance CPU limitée, l'API TensorFlow Probability et des modules tels que scikit-learn.
Qu'est-ce que je vais apprendre sur le déploiement ?
Vous explorerez les différents aspects du processus de déploiement tels que la sauvegarde d'un modèle et la configuration d'un serveur, ainsi que l'utilisation de bibliothèques Python comme requests et JSON pour communiquer avec les serveurs TensorFlow.
Quels sujets sont inclus dans les leçons ?
Les leçons couvrent TensorFlow Hub, le Déploiement de TensorFlow, et les API et Packages supplémentaires.
Quelles compétences sont associées à ce cours ?
Le cours se rapporte aux compétences incluant les outils informatiques (Computational Tools), ML.NET, PyTorch, TensorFlow et les jeux de données d'entraînement (Training Datasets).
