Oreilly – Deep Learning Patterns and Practices 2022-3

توضیحات

دوره Deep Learning Patterns and Practices. این کتاب راهنمای جامعی است که شما را با بهترین شیوه‌ها، معماری‌های قابل تکرار و الگوهای طراحی آشنا می‌کند تا بتوانید مدل‌های یادگیری عمیق خود را از مرحله آزمایش به تولید برسانید. چالش بزرگ یادگیری عمیق، انتقال فناوری‌های نوظهور از آزمایشگاه‌های تحقیق و توسعه به محیط تولید است. این کتاب با ارائه جدیدترین بینش‌های اندرو فرلیتچ، نویسنده کتاب و همکار گوگل کلود ای‌آی، به شما کمک می‌کند تا بر این چالش غلبه کنید. در این کتاب، مدل‌های یادگیری عمیق به شیوه‌ای جدید و منحصر به فرد به عنوان الگوهای طراحی قابل توسعه معرفی شده‌اند که به راحتی می‌توان آن‌ها را در پروژه‌های نرم‌افزاری خود استفاده کرد. هر تکنیک ارزشمند با زبانی ساده و همراه با نمودارها و نمونه‌های کد قابل فهم ارائه شده است.

آنچه فرا خواهید گرفت:

• درون‌مایه شبکه‌های کانولوشنال مدرن: با جزئیات داخلی این شبکه‌ها آشنا شده و عملکرد آن‌ها را به خوبی درک خواهید کرد.
• الگوی طراحی استفاده مجدد از رویه‌ها برای معماری‌های CNN: با این الگو، می‌توانید معماری‌های شبکه‌های کانولوشنال خود را به صورت مدولار و قابل استفاده مجدد طراحی کنید.
• مدل‌های مناسب برای دستگاه‌های موبایل و IoT: یاد می‌گیرید که چگونه مدل‌های یادگیری عمیق را برای دستگاه‌های با منابع محدود بهینه کنید.
• استقرار مدل‌های بزرگ‌مقیاس: با روش‌های مختلف استقرار و مدیریت مدل‌های یادگیری عمیق در مقیاس بزرگ آشنا خواهید شد.
• بهینه‌سازی تنظیمات فوق‌پارامتر: یاد می‌گیرید که چگونه تنظیمات فوق‌پارامتر مدل خود را بهینه کنید تا بهترین عملکرد را بدست آورید.
• انتقال یک مدل به محیط تولید: با مراحل مختلف انتقال یک مدل از محیط توسعه به محیط تولید آشنا خواهید شد.

این دوره مناسب افرادی است که:

• با زبان برنامه‌نویسی پایتون آشنایی دارند.
• با مفاهیم اولیه یادگیری عمیق آشنا هستند.
• به دنبال افزایش مهارت‌های خود در زمینه یادگیری عمیق و استقرار مدل‌ها هستند.

مشخصات دوره Deep Learning Patterns and Practices

• ناشر: Oreilly
• مدرس: Andrew Ferlitsch
• سطح آموزش: مبتدی تا پیشرفته
• مدت زمان آموزش: 13 ساعت و 53 دقیقه

سرفصل های دوره

• Part 1. Deep learning fundamentals
• 1 Designing modern machine learning
• 1.1 A focus on adaptability
• 1.1.1 Computer vision leading the way
• 1.1.2 Beyond computer vision: NLP, NLU, structured data
• 1.2 The evolution in machine learning approaches
• 1.2.1 Classical AI vs. narrow AI
• 1.2.2 Next steps in computer learning
• 1.3 The benefits of design patterns
• Summary
• 2 Deep neural networks
• 2.1 Neural network basics
• 2.1.1 Input layer
• 2.1.2 Deep neural networks
• 2.1.3 Feed-forward networks
• 2.1.4 Sequential API method
• 2.1.5 Functional API method
• 2.1.6 Input shape vs. input layer
• 2.1.7 Dense layer
• 2.1.8 Activation functions
• 2.1.9 Shorthand syntax
• 2.1.10 Improving accuracy with an optimizer
• 2.2 DNN binary classifier
• 2.3 DNN multiclass classifier
• 2.4 DNN multilabel multiclass classifier
• 2.5 Simple image classifier
• 2.5.1 Flattening
• 2.5.2 Overfitting and dropout
• Summary
• 3 Convolutional and residual neural networks
• 3.1 Convolutional neural networks
• 3.1.1 Why we use a CNN over a DNN for image models
• 3.1.2 Downsampling (resizing)
• 3.1.3 Feature detection
• 3.1.4 Pooling
• 3.1.5 Flattening
• 3.2 The ConvNet design for a CNN
• 3.3 VGG networks
• 3.4 ResNet networks
• 3.4.1 Architecture
• 3.4.2 Batch normalization
• 3.4.3 ResNet50
• Summary
• 4 Training fundamentals
• 4.1 Forward feeding and backward propagation
• 4.1.1 Feeding
• 4.1.2 Backward propagation
• 4.2 Dataset splitting
• 4.2.1 Training and test sets
• 4.2.2 One-hot encoding
• 4.3 Data normalization
• 4.3.1 Normalization
• 4.3.2 Standardization
• 4.4 Validation and overfitting
• 4.4.1 Validation
• 4.4.2 Loss monitoring
• 4.4.3 Going deeper with layers
• 4.5 Convergence
• 4.6 Checkpointing and early stopping
• 4.6.1 Checkpointing
• 4.6.2 Early stopping
• 4.7 Hyperparameters
• 4.7.1 Epochs
• 4.7.2 Steps
• 4.7.3 Batch size
• 4.7.4 Learning rate
• 4.8 Invariance
• 4.8.1 Translational invariance
• 4.8.2 Scale invariance
• 4.8.3 TF.Keras ImageDataGenerator
• 4.9 Raw (disk) datasets
• 4.9.1 Directory structure
• 4.9.2 CSV file
• 4.9.3 JSON file
• 4.9.4 Reading images
• 4.9.5 Resizing
• 4.10 Model save/restore
• 4.10.1 Save
• 4.10.2 Restore
• Summary
• Part 2. Basic design pattern
• 5 Procedural design pattern
• 5.1 Basic neural network architecture
• 5.2 Stem component
• 5.2.1 VGG
• 5.2.2 ResNet
• 5.2.3 ResNeXt
• 5.2.4 Xception
• 5.3 Pre-stem
• 5.4 Learner component
• 5.4.1 ResNet
• 5.4.2 DenseNet
• 5.5 Task component
• 5.5.1 ResNet
• 5.5.2 Multilayer output
• 5.5.3 SqueezeNet
• 5.6 Beyond computer vision: NLP
• 5.6.1 Natural-language understanding
• 5.6.2 Transformer architecture
• Summary
• 6 Wide convolutional neural networks
• 6.1 Inception v1
• 6.1.1 Naive inception module
• 6.1.2 Inception v1 module
• 6.1.3 Stem
• 6.1.4 Learner
• 6.1.5 Auxiliary classifiers
• 6.1.6 Classifier
• 6.2 Inception v2: Factoring convolutions
• 6.3 Inception v3: Architecture redesign
• 6.3.1 Inception groups and blocks
• 6.3.2 Normal convolution
• 6.3.3 Spatial separable convolution
• 6.3.4 Stem redesign and implementation
• 6.3.5 Auxiliary classifier
• 6.4 ResNeXt: Wide residual neural networks
• 6.4.1 ResNeXt block
• 6.4.2 ResNeXt architecture
• 6.5 Wide residual network
• 6.5.1 WRN-50-2 architecture
• 6.5.2 Wide residual block
• 6.6 Beyond computer vision: Structured data
• Summary
• 7 Alternative connectivity patterns
• 7.1 DenseNet: Densely connected convolutional neural network
• 7.1.1 Dense group
• 7.1.2 Dense block
• 7.1.3 DenseNet macro-architecture
• 7.1.4 Dense transition block
• 7.2 Xception: Extreme Inception
• 7.2.1 Xception architecture
• 7.2.2 Entry flow of Xception
• 7.2.3 Middle flow of Xception
• 7.2.4 Exit flow of Xception
• 7.2.5 Depthwise separable convolution
• 7.2.6 Depthwise convolution
• 7.2.7 Pointwise convolution
• 7.3 SE-Net: Squeeze and excitation
• 7.3.1 Architecture of SE-Net
• 7.3.2 Group and block of SE-Net
• 7.3.3 SE link
• Summary
• 8 Mobile convolutional neural networks
• 8.1 MobileNet v1
• 8.1.1 Architecture
• 8.1.2 Width multiplier
• 8.1.3 Resolution multiplier
• 8.1.4 Stem
• 8.1.5 Learner
• 8.1.6 Classifier
• 8.2 MobileNet v2
• 8.2.1 Architecture
• 8.2.2 Stem
• 8.2.3 Learner
• 8.2.4 Classifier
• 8.3 SqueezeNet
• 8.3.1 Architecture
• 8.3.2 Stem
• 8.3.3 Learner
• 8.3.4 Classifier
• 8.3.5 Bypass connections
• 8.4 ShuffleNet v1
• 8.4.1 Architecture
• 8.4.2 Stem
• 8.4.3 Learner
• 8.5 Deployment
• 8.5.1 Quantization
• 8.5.2 TF Lite conversion and prediction
• Summary
• 9 Autoencoders
• 9.1 Deep neural network autoencoders
• 9.1.1 Autoencoder architecture
• 9.1.2 Encoder
• 9.1.3 Decoder
• 9.1.4 Training
• 9.2 Convolutional autoencoders
• 9.2.1 Architecture
• 9.2.2 Encoder
• 9.2.3 Decoder
• 9.3 Sparse autoencoders
• 9.4 Denoising autoencoders
• 9.5 Super-resolution
• 9.5.1 Pre-upsampling SR
• 9.5.2 Post-upsampling SR
• 9.6 Pretext tasks
• 9.7 Beyond computer vision: sequence to sequence
• Summary
• Part 3. Working with pipelines
• 10 Hyperparameter tuning
• 10.1 Weight initialization
• 10.1.1 Weight distributions
• 10.1.2 Lottery hypothesis
• 10.1.3 Warm-up (numerical stability)
• 10.2 Hyperparameter search fundamentals
• 10.2.1 Manual method for hyperparameter search
• 10.2.2 Grid search
• 10.2.3 Random search
• 10.2.4 KerasTuner
• 10.3 Learning rate scheduler
• 10.3.1 Keras decay parameter
• 10.3.2 Keras learning rate scheduler
• 10.3.3 Ramp
• 10.3.4 Constant step
• 10.3.5 Cosine annealing
• 10.4 Regularization
• 10.4.1 Weight regularization
• 10.4.2 Label smoothing
• 10.5 Beyond computer vision
• Summary
• 11 Transfer learning
• 11.1 TF.Keras prebuilt models
• 11.1.1 Base model
• 11.1.2 Pretrained ImageNet models for prediction
• 11.1.3 New classifier
• 11.2 TF Hub prebuilt models
• 11.2.1 Using TF Hub pretrained models
• 11.2.2 New classifier
• 11.3 Transfer learning between domains
• 11.3.1 Similar tasks
• 11.3.2 Distinct tasks
• 11.3.3 Domain-specific weights
• 11.3.4 Domain transfer weight initialization
• 11.3.5 Negative transfer
• 11.4 Beyond computer vision
• Summary
• 12 Data distributions
• 12.1 Distribution types
• 12.1.1 Population distribution
• 12.1.2 Sampling distribution
• 12.1.3 Subpopulation distribution
• 12.2 Out of distribution
• 12.2.1 The MNIST curated dataset
• 12.2.2 Setting up the environment
• 12.2.3 The challenge (“in the wild”)
• 12.2.4 Training as a DNN
• 12.2.5 Training as a CNN
• 12.2.6 Image augmentation
• 12.2.7 Final test
• Summary
• 13 Data pipeline
• 13.1 Data formats and storage
• 13.1.1 Compressed and raw-image formats
• 13.1.2 HDF5 format
• 13.1.3 DICOM format
• 13.1.4 TFRecord format
• 13.2 Data feeding
• 13.2.1 NumPy
• 13.2.2 TFRecord
• 13.3 Data preprocessing
• 13.3.1 Preprocessing with a pre-stem
• 13.3.2 Preprocessing with TF Extended
• 13.4 Data augmentation
• 13.4.1 Invariance
• 13.4.2 Augmentation with tf.data
• 13.4.3 Pre-stem
• Summary
• 14 Training and deployment pipeline
• 14.1 Model feeding
• 14.1.1 Model feeding with tf.data.Dataset
• 14.1.2 Distributed feeding with tf.Strategy
• 14.1.3 Model feeding with TFX
• 14.2 Training schedulers
• 14.2.1 Pipeline versioning
• 14.2.2 Metadata
• 14.2.3 History
• 14.3 Model evaluations
• 14.3.1 Candidate vs. blessed model
• 14.3.2 TFX evaluation
• 14.4 Serving predictions
• 14.4.1 On-demand (live) serving
• 14.4.2 Batch prediction
• 14.4.3 TFX pipeline components for deployment
• 14.4.4 A/B testing
• 14.4.5 Load balancing
• 14.4.6 Continuous evaluation
• 14.5 Evolution in production pipeline design
• 14.5.1 Machine learning as a pipeline
• 14.5.2 Machine learning as a CI/CD production process
• 14.5.3 Model amalgamation in production

تصاویر دوره Deep Learning Patterns and Practices

نمونه فیلم دوره

لینک دانلود

دانلود بخش 1 – 1 گیگابایت

دانلود بخش 2 – 552 مگابایت

گذرواژه فایل(ها): www.downloadly.ir

حجم فایل

1.5 گیگابایت