00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
ثبت‌نام رایگان
  • دسترسی به 9 جلسه نمونه از دوره
  • دسترسی به 9 جلسه نمونه از دوره
  • عضویت در تالار گفت‌وگوی دوره
  • اضافه شدن دوره به پروفایل
فقط محتوا
  • دسترسی کامل و نامحدود به محتوای دوره
  • تمام قابلیت‌‌های پلن رایگان
    +
  • دسترسی کامل و نامحدود به محتوای دوره
399,000 تومان
50% تخفیف

199,500 تومان
امکان پرداخت ارزی ‎
دوره کامل
  • دسترسی به تمام قابلیت‌های دوره
  • تمام قابلیت‌های پلن محتوا
    +
  • گواهی‌نامه مکتب‌خونه
  • پروژه محور
  • تمرین و آزمون
  • تالار گفتگو
  • تسهیل استخدام
559,000 تومان
50% تخفیف
279,500 تومان
امکان پرداخت ارزی ‎
00:00 / 00:00
1.8x
1.4x
1.0x
0.7x
HD SD
HD
SD
مکتب‌خونه مکتب‌خونه

آموزش تنسورفلو پیشرفته

دوره‌های مکتب‌پلاس
43 ساعت

معرفی دوره آموزش تنسورفلو پیشرفته

تنسورفلو (TensorFlow) یک چارچوب متن‌باز منبع باز برای ساخت اپلیکیشن‌های یادگیری ماشین است. این یک جعبه‌ابزار ریاضی گرافیکی به‌حساب می‌آید که وظایف مختلفی از جمله آموزش شبکه عصبی عمیق و استنتاج با استفاده از جریان‌داده و برنامه‌نویسی قابل‌تمایز را انجام می‌دهد. این ابزار برنامه‌نویسان را قادر می‌سازد تا با استفاده از ابزارها، چارچوب‌ها و منابع مختلف جامعه، برنامه‌های یادگیری ماشین را بسازند. دوره تنسورفلو پیشرفته مکتب‌خونه با هدف آموزش این ابزار مهم در صنعت هوش مصنوعی و یادگیری ماشین تهیه و تدوین شده است که در ادامه به معرفی آن خواهیم پرداخت.

در دوره آموزش تنسورفلو چگونگی توسعه نرم‌افزارهای یادگیری عمیق را در تنسورفلو می‌آموزیم. از روش‌های ابتدایی و ساده عبور می‌کنیم و سناریوهای پیچیده و واقعی را در همه مراحل از آماده‌سازی داده‌ها تا توسعه و آموزش مدل‌ها بررسی خواهیم کرد.

هدف از برگزاری دوره آموزش تنسورفلو پیشرفته چیست؟

انتظار می‌رود در پایان این دوره دانشجویان تا حدی با چالش‌های مسائل واقعی یادگیری عمیق و چگونگی حل آن‌ها با تنسورفلو آشنا شوند و آمادگی نسبی‌ای برای آغاز مسیر شغلی و انجام مصاحبه‌های کاری به دست آورند.

دوره تنسورفلو پیشرفته برای چه کسانی مناسب است؟

این دوره آموزش TensorFlow پیشرفته برای افرادی که تا حد خوبی تئوری یادگیری ماشین و یادگیری عمیق را مسلط هستند و همچنین آشنایی ابتدایی با فریمورک تنسورفلو و کراس دارند و می‌خواهند دانش عملی خود را برای حل مسائل افزایش دهند مناسب است.

سرفصل‌های دوره آموزش تنسورفلو پیشرفته

فصل اول: پیشگفتار
00:22 ساعت
00:22
Combined Shape Created with Sketch. 2 جلسه
بارم:
0%
نمایش جلسات فصل  

در این فصل درباره معماری تنسورفلو و اینکه چگونه با تنسورفلو مسائل مختلف در سطح‌های مختلف را می‌توان حل کرد، صحبت می‌کنیم. سپس درباره دو حالت اصلی اجرای برنامه‌ها در تنسورفلو یعنی Eager mode و Graph mode و تفاوت‌ها و کاربردهای هر یک بحث می‌کنیم.

مقدمه - بخش اول
"12:18
مقدمه - بخش دوم
"10:41
فصل سوم: پایپلاین‌های سریع و بهینه داده در تنسورفلو
06:22 ساعت
03:10
Combined Shape Created with Sketch. 26 جلسه
بارم:
15%
نمایش جلسات فصل  

در مسائل Deep Learning اولین گام آماده‌سازی داده‌ها برای یادگیری است. این ماژول به نحوه پیاده‌سازی data loader- ها در TensorFlow با استفاده از tf.data و ابزار TFDS و همچنین آشنایی با TF Records که یک فرمت سریالایزکردن، ذخیره‌کردن و بازیابی داده‌ها در تنسورفلو است اختصاص دارد. در آخر نحوه پیاده‌سازی توابع Augmentation را می‌بینیم.

اهمیت و چالش‌های پیاده‌سازی data loader‌ها در یادگیری عمیق
"15:48
عملیات‌های اولیه tf.data
"11:52
کوییز اهمیت و چالش‌های پیاده‌سازی data loader‌ها در یادگیری عمیق
6.7%
     
"02:00
متدهای Repeat ,Batch و ... در tf.data - بخش اول
"10:31
متدهای Repeat ,Batch و ... در tf.data - بخش دوم
"07:48
کوییز متدهای Repeat ,Batch و ... در tf.data
3.3%
     
"01:00
Data Loader برای طبقه‌بندی تصاویر با tf.data - بخش اول
"06:43
Data Loader برای طبقه‌بندی تصاویر با tf.data - بخش دوم
"10:04
Data Loader برای طبقه‌بندی تصاویر با tf.data - بخش سوم
"09:34
Data Loader برای طبقه‌بندی تصاویر با tf.data - بخش چهارم
"07:01
کوییز Data Loader برای طبقه‌بندی تصاویر با tf.data
10.0%
     
"03:00
اعمال تبدیلات یا پیش‌پردازش بر روی عکس‌ها
"11:08
معرفی ابزار TFDS
"11:21
کوییز معرفی ابزار TFDS
3.3%
     
"01:00
کار کردن با دیتا ست‌های مختلف با استفاده از TFDS
"06:27
Data Augmentation با استفاده از tf.data - بخش اول
"11:00
Data Augmentation با استفاده از tf.data - بخش دوم
"11:08
Data Augmentation با استفاده از tf.data - بخش سوم
"10:12
Data Augmentation با استفاده از tf.data - بخش چهارم
"10:55
Data Augmentation با استفاده از tf.data - بخش پنجم
"10:59
کوییز Data Augmentation با استفاده از tf.data
10.0%
     
"03:00
افزایش سرعت در tf.data (کش‌کردن و موازی‌سازی)
"11:59
افزایش سرعت در tf.data (استفاده از prefetch ,Autotune و Interleave)
"06:44
ذخیره‌سازی Datasetها با استفاده از TFRecords
"09:30
کوییز ذخیره‌سازی
6.7%
     
"02:00
تمرین پایانی فصل سوم

 (الزامی)

60.0%
     
"180:00
فصل چهارم: پیاده‌سازی لایه‌ها و مدل‌ها در تنسورفلو
05:56 ساعت
02:48
Combined Shape Created with Sketch. 26 جلسه
بارم:
13%
نمایش جلسات فصل  

در این ماژول نحوه پیاده‌سازی و اختصاصی سازی معماری‌های مختلف شبکه‌های عصبی در تنسورفلو را می‌بینیم. روش‌های متفاوت ساخت مدل‌ها در تنسورفلو را می‌بینیم و مقایسه می‌کنیم و نحوه ساخت لایه‌های اختصاصی را بررسی می‌کنیم.

مقدمه لایه‌ها و مدل‌ها
"04:24
روش Sequential برای ساخت مدل‌ها
"07:10
کوییز روش Sequential برای ساخت مدل‌ها
3.8%
     
"01:00
معرفی روش Functional برای ساخت مدل‌ها
"07:06
ساخت معماری‌های دارای Branch و چند ورودی٬ چند خروجی
"07:23
کوییز ساخت معماری‌های دارای Branch و چند ورودی٬ چند خروجی
3.8%
     
"01:00
پیاده‌سازی یک مدل ساده با استفاده از روش Functional
"10:40
پیاده‌سازی یک مدل چند ورودی٬ چند خروجی با استفاده از روش Functional
"11:25
روش آموزش یک مدل چند ورودی٬ چند خروجی
"07:38
پیاده‌سازی یک مدل ResNet با استفاده از روش Functional
"09:22
معرفی Lambda Layers برای پیاده‌سازی لایه‌های سفارشی
"06:42
معرفی Layer Subclassing برای پیاده‌سازی لایه‌های سفارشی
"11:16
پیاده‌سازی یک لایه خطی ساده با استفاده از Layer Subclassing
"11:28
کوییز لایه‎ی خطی ساده و لایه‎‌ی سفارشی
7.7%
     
"02:00
پیاده‌سازی یک بلوک MLP و یک لایه Drop Out با استفاده از Layer Subclassing
"06:19
معرفی روش Model Subclassing برای ساختن مدل‌های سفارشی
"03:45
پیاده‌سازی یک مدل عریض و عمیق با استفاده از Model Subclassing
"08:32
کوییز پیاده‌سازی یک مدل عریض و عمیق
3.8%
     
"01:00
پیاده‌سازی یک مدل Mini-ResNet با استفاده از Model Subclassing
"11:45
روش‌های Save کردن و Load کردن مدل‌ها
"10:25
روش‌های Transfer Learning و Fine-Tuning - بخش اول
"12:36
روش‌های Transfer Learning و Fine-Tuning - بخش دوم
"09:10
روش Freeze کردن وزن‌ها برای Fine-Tuning
"07:51
کوییز پایانی فصل چهارم
11.5%
     
"03:00
جمع بندی فصل مدل‌ها
"03:05
تمرین پایانی فصل چهارم

 (الزامی)

69.2%
     
"180:00
فصل پنجم: افزودن قابلیت‌های دلخواه به آموزش با استفاده از Callback‌ها
04:21 ساعت
01:19
Combined Shape Created with Sketch. 9 جلسه
بارم:
11%
نمایش جلسات فصل  

در هنگام آموزش یک مدل در مواقع زیادی نیاز داریم در یک زمان مشخص اتفاق خاصی بیفتد یا تابع خاصی فراخوانی شود. مثلاً در انتهای هر Epoch مدل نهایی ذخیره شود یا پس از هر مرحله از آموزش نتایج نمایش داده شوند. این رویدادها و توابعی که در مواقع خاص اجرا می‌شوند توسط callback پیاده‌سازی و کنترل می‌شوند.

معرفی Callbackها
"14:15
استفاده از Callback‌های آماده - بخش اول
"16:19
استفاده از Callback‌های آماده - بخش دوم
"12:31
کوییز استفاده از Callback‌ های آماده
4.5%
     
"01:00
معرفی Callbackهای سفارشی
"09:26
معرفی متدهای کلاس Callback
"10:51
پیاده‌سازی یک Callback سفارشی برای تشخیص Over-fitting در حین آموزش
"16:19
کوییز پیاده‌سازی یک Callback سفارشی
4.5%
     
"01:00
تمرین پایانی فصل پنجم

 (الزامی)

90.9%
     
"180:00

تالار گفت‌وگو

اساتید دوره
سهیل کوهی سهیل کوهی

سهیل کوهی فارغ‌التحصیل علوم مهندسی از دانشگاه تهران است. ایشان از سال ۹۶ در حوزه‌های مختلف یادگیری‌ماشین، یادگیری‌عمیق و بینایی‌ماشین به فعالیت صنعتی مشغول است.

از مهم‌ترین پروژه‌های ایشان می‌توان به تشخیص قیمت املاک بر اساس تصاویر داخلی و خارجی ملک اشاره کرد که در زمان توسعه دقیق‌ترین مدل تشخیص ملک بود. همچنین پس از شروع بیماری کرونا ایشان در پروژه‌هایی برای کنترل این بیماری توسط بینایی ماشین شرکت داشتند که با استفاده از دوربین‌های نظارتی سازمان‌ها و ساختمان‌های بزرگ میزان رعایت فاصله‌گذاری اجتماعی و میزان استفاده از ماسک را به صورت اتوماتیک تشخیص می‌داد.

ایشان همچنین سابقه تدریس مباحث هوش مصنوعی در سطوح مختلف جهت توانمندسازی کارمندان سازمان‌های مختلف را دارند.

محسن هجرتی محسن هجرتی

محسن هجرتی مهندس هوش مصنوعی با تمرکز بر داده‌های پزشکی و سلامت است. او در حال حاضر مدیر ارشد مهندسی یادگیری ماشین در شرکت Genentech است.

از تجربه‌های ایشان فعالیت‌های تحقیقاتی، کارآفرینی، و آموزشی در حوزه‌ی فناوری و هوش مصنوعی و سلامت است.

ایشان همچنین از بنیان‌گذاران سایت مکتب‌خونه در سال 1390 است.

از دیگر فعالیت‌های ایشان مشارکت در پروژه‌ی خودران گوگل و بنیانگذاری شرکت زیرساخت هوش مصنوعی در امریکا اشاره کرد. او فارغ التحصیل رشته ریاضی در سال 1389 از دانشگاه صنعتی شریف. ایشان همچنین موفق شدند مدرک دکتری خود را در حوزه علوم کامپیوتر با تمرکز بر بینایی ماشین در سال ۲۰۱۵ از دانشگاه کالیفرنیا در ارواین دریافت کند.

درباره گواهینامه
مکتب‌خونه مکتب‌خونه
حد نصاب قبولی در دوره:
75.0 نمره
فارغ‌التحصیل شدن در این دوره نیاز به ارسال تمرین‌ها و پروژه‌های الزامی دارد.

پیش‌نیاز‌های دوره آموزش تنسورفلو پیشرفته

  • برنامه‌نویسی به زبان پایتون در حد متوسط (آشنایی با شی‌ءگرایی در پایتون ضروری است)؛
  • آشنایی با اصول یادگیری ماشین و یادگیری عمیق؛
  • آشنایی با مقدمات تنسورفلو و کراس.
 
آموزش یادگیری ماشین با پایتون
اطلاعات بیشتر
یادگیری عمیق با تنسورفلو و کراس
اطلاعات بیشتر

ویژگی‌های دوره آموزش تنسورفلو پیشرفته

Combined Shape1 Created with Sketch. گواهی‌نامه مکتب‌خونه

در صورت قبولی در دوره، گواهی نامه رسمی پایان دوره توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می گیرد.

 

مشاهده نمونه گواهینامه

خدمات منتورینگ

خدمات منتورینگ به معنای برخورداری دانشجو از راهنما یا پشتیبان علمی در طول گذراندن دوره می‌باشد. این خدمات شامل پاسخگویی به سوالات آموزشی(در قالب تیکتینگ)، تصحیح آزمون یا پروژه های دوره و ارائه باز خورد موثر به دانشجو می‌باشد.

پروژه محور

این دوره طوری طراحی شده است که محتوای آموزشی دوره حول چند پروژه واقعی و کاربردی هستند تا یادگیری دانشجو در طول دوره به کاربردهای عملی تبدیل شود و به این ترتیب بالاترین سطح یادگیری را فراهم نمایند.

تمرین و آزمون

با قرار گرفتن تمرین ها و آزمون های مختلف در طول دوره، محیطی تعاملی فراهم شده است تا بهره گیری از محتوا و یادگیری بهتر و عمیق تر شود.

تالار گفتگو

شما می توانید از طریق تالار گفتگو با دیگر دانشجویان دوره در ارتباط باشید، شبکه روابط حرفه ای خود را تقویت کنید یا سوالات مرتبط با دوره خود را از دیگر دانشجویان بپرسید.

تسهیل استخدام

در صورت قبولی در دوره، شما می‌توانید با وارد کردن اطلاعات آن در بخش دوره‌های آموزشی رزومه‌ساز «جاب ویژن»، تایید مهارت خود را در قالب اضافه شدن «مدال مهارت» به روزمه آنلاین خود دریافت نمایید. این مدال علاوه بر ایجاد تمایز در نمایش رزومه شما، باعث بالاتر قرار گرفتن آن در لیست انبوه رزومه‌های ارسالی به کارفرما شده و بدین ترتیب شانس شما را برای استخدام در سازمانهای موفق و پر متقاضی افزایش می‌دهد. 

 

مشاهده اطلاعات بیشتر

نظرات 

تا کنون نظری برای این دوره ثبت نشده است. برای ثبت نظر باید ابتدا در دوره ثبت نام کرده و دانشجوی دوره باشید.

سوالات پرتکرار

آیا در صورت خرید دوره، گواهی نامه آن به من تعلق می گیرد؟
خیر؛ شما با خرید دوره می توانید در آن دوره شرکت کنید و به محتوای آن دسترسی خواهید داشت. در صورتی که در زمان تعیین شده دوره را با نمره قبولی بگذرانید، گواهی نامه دوره به نام شما صادر خواهد شد.
حداقل و حداکثر زمانی که می توانم یک دوره را بگذرانم چقدر است؟
برای گذراندن دوره حداقل زمانی وجود ندارد و شما می توانید در هر زمانی که مایل هستید فعالیت های مربوطه را انجام دهید. برای هر دوره یک حداکثر زمان تعیین شده است که در صفحه معرفی دوره می توانید مشاهده کنید که از زمان خرید دوره توسط شما تنها در آن مدت شما از ویژگی های تصحیح پروژه ها توسط پشتیبان و دریافت گواهی نامه بهره مند خواهید بود.
در صورت قبولی در دوره، آیا امکان دریافت نسخه فیزیکی گواهی نامه دوره را دارم؟
خیر، به دلیل مسائل زیست محیطی و کاهش قطع درختان، فقط نسخه الکترونیکی گواهی‌نامه در اختیار شما قرار می‌گیرد
پس از سپری شدن زمان دوره، به محتوای دوره دسترسی خواهم داشت؟
بله؛ پس از سپری شدن مدت زمان دوره شما به محتوای دوره دسترسی خواهید داشت و می توانید از ویدئوها، تمارین، پروژه و دیگر محتوای دوره در صورت وجود استفاده کنید ولی امکان تصحیح تمارین توسط پشتیبان و دریافت گواهی نامه برای شما وجود نخواهد داشت.

اطلاعات بیشتر

مقدمه‌ای بر تنسورفلو

تنسورفلو (TensorFlow) گوگل در حال حاضر شناخته‌شده‌ترین بسته یادگیری عمیق در دنیا است. یادگیری ماشینی توسط گوگل در همه محصولاتش برای بهبود جستجو، ترجمه، شرح تصاویر و توصیه‌ها استفاده می‌شود. به عنوان مثال، کاربران گوگل ممکن است از جستجوی به کمک هوش مصنوعی بهره ببرند که هم سریع‌تر و هم دقیق‌تر است. وقتی کاربر یک کلمه کلیدی را در قسمت جستجوی گوگل تایپ می‌کند، موتور جستجو برای کلمه کلیدی تایپ شده به آن پیشنهاد‌هایی می‌دهد.

گوگل قصد دارد از یادگیری ماشینی استفاده کند تا از مجموعه داده‌های عظیم خود حداکثر استفاده را ببرد تا بهترین تجربه ممکن را برای مصرف‌کنندگان خود فراهم کند. یادگیری ماشین توسط سه سازمان مختلف استفاده می‌شود. محققان، برنامه‌نویسان و دانشمندان داده.

Tensor Flow برای مقیاس‌بندی توسعه داده شده است، زیرا گوگل چیزی بیش از داده‌ها دارد. آن‌ها همچنین قدرتمندترین کامپیوتر جهان را دارند. TensorFlow یک کتابخانه تحقیقاتی یادگیری ماشین و شبکه عصبی عمیق به‌حساب می‌آید که توسط تیم Google Brain ایجاد شده است. این برای کاربر روی چندین CPU یا GPU و همچنین سیستم‌عامل‌های تلفن همراه در برخی شرایط طراحی شده است و شامل wrapper هایی در Python، C++ و Java است. دوره آموزش تنسورفلو پیشرفته با هدف آموزش این ابزار مدرن تهیه شده است که در بالا آن را معرفی کردیم.

تاریخچه تنسورفلو

چند سال پیش یادگیری عمیق شروع به پیشی گرفتن از سایر الگوریتم‌های یادگیری ماشینی کرد. گوگل متوجه شد که شبکه‌های عصبی عمیق ممکن است به بهبود خدماتش کمک کند. آن‌ها چارچوب Tensorflow را ایجاد کردند تا به دانشگاهیان و توسعه‌دهندگان اجازه دهد تا در مدل‌های هوش مصنوعی با یکدیگر همکاری کنند.

تنسورفلو در ابتدا در اواخر سال 2015 توسعه یافت و اولین نسخه پایدار آن در سال 2017 منتشر شد. این ابزار به لطف مجوز منبع باز آپاچی، رایگان و منبع باز است؛ یعنی شما بدون پرداخت هزینه‌ای به Google، می‌توانید از آن استفاده کنید، آن را تغییر دهید و نسخه به روز شده را با قیمتی دوباره توزیع کنید.

تنسورفلو چگونه کار می‌کند؟

با پذیرش ورودی‌ها به‌عنوان یک آرایه چندبعدی به نام Tensor، TensorFlow به شما امکان می‌دهد نمودارها و ساختارهای جریان داده ایجاد کرده تا مشخص کنید داده‌ها چگونه از طریق یک نمودار حرکت می‌کنند. این به شما امکان می‌دهد فلوچارت عملیاتی را ایجاد کنید که ممکن است روی این ورودی‌ها انجام شود که در یک جهت حرکت می‌کنند و از جهت دیگر خارج می‌شوند.

ساختار تنسورفلو

پیش‌پردازش داده‌ها، ساخت مدل و در نهایت آموزش و تخمین مدل، سه عنصر ساختار تنسورفلو هستند. Tensorflow نام خود را از این واقعیت گرفته است که ورودی را به شکل یک آرایه چندبعدی می‌گیرد که معمولاً به عنوان تانسور یا تنسور شناخته می‌شود. شما می‌توانید فلوچارتی از عملیاتی که می‌خواهید روی آن ورودی اجرا کنید را بسازید. ورودی در یک انتها وارد می‌شود، از طریق این سیستم از فرآیندهای مختلف عبور می‌کند و در سمت دیگر به عنوان خروجی ظاهر می‌شود. حال در مرحله نهایی تانسور وارد می‌شود، مجموعه‌ای از عملیات را انجام می‌دهد و سپس از طرف دیگر خارج می‌شود، به همین دلیل است که TensorFlow نامیده می‌شود. در دوره آموزش تنسورفلو پیشرفته با نحوه کار این ابزار بهتر آشنا خواهیم شد.

برای اجرای تنسورفلو به چه چیزی نیاز داریم؟

الزامات سخت‌افزاری و نرم‌افزاری TensorFlow را می‌توان به سه دسته تقسیم کرد. حالت، (نوع هوش مصنوعی) که در مرحله توسعه آموزش داده می‌شود. همچنین اکثر آموزش‌ها روی کامپیوتر یا لپ‌تاپ انجام می‌شود. هنگامی که مرحله آموزش به پایان رسید، Tensorflow ممکن است در انواع سکوها استفاده شود. ممکن است در دسکتاپ ویندوز، macOS یا لینوکس، در فضای ابری به عنوان یک سرویس وب و در پلتفرم‌های تلفن همراه مانند iOS و Android نیز مورد استفاده قرار گیرد. می‌توانید آن را روی چندین کامپیوتر آموزش دهید و پس از آموزش آن را روی یک دستگاه جداگانه اجرا کنید.

در مدل‌های ساخته شده با تنسورفلو ممکن است از هر دو پردازنده گرافیکی و پردازنده برای آموزش و اجرای مدل استفاده شود. پردازنده‌های گرافیکی با در نظر گرفتن بازی‌های ویدیویی ایجاد شده‌اند. محققان دانشگاه استنفورد در اواخر سال 2010 کشف کردند که GPU‌ها در عملیات ماتریسی و جبر نیز بسیار قوی هستند و آن‌ها را برای این نوع کارها بسیار سریع می‌کند. در یادگیری عمیق از ضرب ماتریس زیادی استفاده می‌شود. از آنجایی که TensorFlow در C++‎‎ توسعه یافته است، در انجام ضرب ماتریس بسیار سریع است. TensorFlow اگرچه به زبان C++ نوشته شده است، اما با استفاده از زبان‌های مختلف، به ویژه پایتون، قابل‌دسترسی و کنترل است. در نهایت، TensorBoard یک عنصر مهم از TensorFlow به‌حساب می‌آید. TensorFlow ممکن است به صورت گرافیکی و بصری با TensorBoard نظارت شود.

اجزای تشکیل دهنده تنسورفلو

تنسورفلو از کامپوننت یا اجزای مختلفی تشکیل شده است که در زیر این اجزا تشریح شده‌اند:

تانسور

Tensorflow نام خود را از چارچوب زیرین آن، یعنی Tensor گرفته است. تانسورها در هر محاسبات تنسورفلو استفاده می‌شوند. تانسور یک بردار یا ماتریس n بعدی به‌حساب می‌آید که ممکن است هر شکلی از داده را نشان دهد. مقادیر یک تانسور همه دارای یک نوع داده با یک فرم شناخته‌شده (تا حدی شناخته‌شده) هستند. ابعاد ماتریس یا آرایه شکل داده‌ها را تعیین می‌کند.

یک تانسور ممکن است از داده‌های ورودی یا خروجی یک محاسبه باشد. تمام عملیات در TensorFlow در یک نمودار انجام می‌شود. نمودار مجموعه‌ای از محاسبات است که به ترتیب انجام می‌شود. هر عملیات به عنوان یک گره عملیاتی نامیده می‌شود و همه آن‌ها به هم مرتبط هستند. نمودار عملیات و روابطی را که بین گره‌ها وجود دارد را نشان می‌دهد ولی با این حال، مقادیر را نشان نمی‌دهد.

نمودارها

یک چارچوب گراف توسط TensorFlow استفاده می‌شود. نمودار تمام محاسبات سری آموزش را جمع‌آوری و خلاصه می‌کند. این نمودار چندین مزیت را ارائه می‌دهد:

  •  برای کاربر روی بسیاری از CPU یا GPU ها و همچنین در دستگاه‌های تلفن همراه طراحی شده است.
  • قابل‌حمل بودن نمودار، محاسبات را برای استفاده فوری یا بعدی ذخیره می‌کند. نمودار را می‌توان ذخیره کرد و در زمان دیگری اجرا کرد.
  • محاسبات نمودار همه با پیوند دادن تانسورها به یکدیگر انجام می‌شود.

یک گره و یک لبه در یک تانسور وجود دارد. فرآیند ریاضی توسط گره انجام می‌شود که منجر به خروجی‌های نقطه پایانی می‌شود. اتصالات ورودی/خروجی گره توسط لبه‌ها توضیح داده می‌شود.

چرا بسیاری تنسورفلو را ترجیح می‌دهند؟

TensorFlow بهترین کتابخانه برای امور یادگیری ماشین به‌حساب می‌آید زیرا کاربر‌پسند طراحی شده است. کتابخانه Tensorflow شامل انواع APIها برای ایجاد معماری‌های یادگیری عمیق در مقیاس بزرگ مانند CNN و RNN است.

در واقع TensorFlow یک زبان برنامه‌نویسی مبتنی بر نمودار است که به توسعه‌دهندگان اجازه می‌دهد تا با استفاده از Tensorboad، ایجاد شبکه عصبی را مشاهده کنند. این ابزار اشکال‌زدایی نرم‌افزار واقعاً مفید است. در نهایت، Tensorflow برای استفاده در استقرار در مقیاس بزرگ طراحی شده است. هم روی CPU و هم بر روی GPU اجرا می‌شود. در مقایسه با سایر چارچوب‌های یادگیری عمیق، Tensorflow همچنین بیشترین محبوبیت را در GitHub دارد.

الگوریتم‌های قابل پیاده‌سازی در تنسورفلو

در زیر الگوریتم‌های پشتیبانی شده توسط تنسور فلو آورده شده است:

  • رگرسیون خطی: tf.estimator.LinearRegressor
  • طبقه‌بندی: tf.estimator.LinearClassifier
  • طبقه‌بندی یادگیری عمیق: tf.estimator.DNNClassifier
  • Deep Learning wipe and deep: tf.estimator.DNNLinearCombinedClassifier
  • رگرسیون درخت تقویت‌کننده: tf.estimator.BoostedTreesRegressor
  • طبقه‌بندی درخت تقویت‌شده: tf.estimator.BoostedTreesClassifier

در دوره آموزش تنسورفلو پیشرفته با نحوه پیاده‌سازی الگوریتم‌های مختلف با این ابزار حیاتی آشنا خواهیم شد.

نحوه بارگذاری داده‌ها در تنسورفلو

بارگذاری داده‌ها مرحله اولیه آموزش الگوریتم یادگیری ماشین است. دو روش معمولی برای بارگیری داده‌ها وجود دارد:

1. بارگذاری داده‌ها در حافظه: این ساده‌ترین تکنیک است. تمام داده‌های شما به صورت یک آرایه در حافظه بارگذاری می‌شود.

2. بارگذاری با خط لوله: خط لوله داده بر اساس تنسورفلو Tensorflow یک API دارد که واردکردن داده‌ها، انجام عملیات و تغذیه الگوریتم یادگیری ماشین را ساده می‌کند. این رویکرد هنگام برخورد با مجموعه داده‌های بزرگ بسیار مفید است. به عنوان مثال، رکوردهای تصویر بسیار بزرگ هستند و ذخیره آن در حافظه دشوار است. حافظه توسط خط لوله داده به‌تنهایی مدیریت می‌شود.

بارگذاری اطلاعات در حافظه

اگر مجموعه داده شما خیلی بزرگ نیست، مثلاً کمتر از 10 گیگابایت، می‌توانید از رویکرد اول استفاده کنید. اطلاعات را می‌توان در حافظه ذخیره کرد. برای واردکردن فایل‌های CSV، می‌توانید از Pandas، یک کتابخانه معروف استفاده کنید.

بارگذاری داده‌ها با خط لوله Tensorflow

اگر مجموعه داده عظیمی دارید، روش دوم بهترین گزینه است. به عنوان مثال، اگر یک مجموعه داده 50 گیگابایتی داشته باشید و کامپیوتر شما فقط 16 گیگابایت رم داشته باشد، کامپیوتر از کار می افتد.

در این مورد باید یک خط لوله Tensorflow ایجاد کنید. داده‌ها به صورت دسته‌ای یا تکه‌های کوچک توسط خط لوله بارگذاری می‌شوند. هر دسته به خط لوله اضافه می‌شود و برای آموزش در دسترس قرار می‌گیرد. استفاده از خط لوله یک گزینه فوق‌العاده است زیرا پردازش موازی را امکان‌پذیر می‌کند. Tensorflow از چندین CPU برای آموزش مدل استفاده می‌کند. محاسبات را ارتقا می‌دهد و امکان توسعه شبکه‌های عصبی قوی را فراهم می‌کند.

در یک کلام، اگر یک مجموعه داده کوچک دارید، می‌توانید از کتابخانه Pandas برای بارگذاری آن در حافظه استفاده کنید. اگر مجموعه داده عظیمی دارید و می‌خواهید از بسیاری از CPU ها استفاده کنید، خط لوله Tensorflow برای کار با آن راحت‌تر خواهد بود.

نتیجه

در سال‌های اخیر، TensorFlow به معروف‌ترین کتابخانه یادگیری عمیق تبدیل شده است. هر ساختار یادگیری عمیق، مانند CNN، RNN، یا شبکه عصبی مصنوعی اولیه، ممکن است با استفاده از TensorFlow ساخته شود. دانشگاهیان، استارتاپها و شرکت‌های بزرگ رایج‌ترین کاربران تنسورفلو هستند. TensorFlow تقریباً در تمام محصولات Google از جمله Gmail، Photos و موتور جستجوی Google استفاده می‌شود.

TensorFlow توسط تیم Google Brain برای پر کردن شکاف بین محققان و توسعه‌دهندگان محصول ایجاد شد. TensorFlow در سال 2015 برای عموم منتشر شد و به‌سرعت در حال افزایش محبوبیت است. اگر به فکر یادگیری کار با کتابخانه تنسورفلو هستید و دوست دارید در این زمینه به تخصص خود بیفزایید، هم‌اکنون با ثبت‌نام در دوره آموزش تنسورفلو پیشرفته مهم‌ترین قدم را در این رابطه بردارید و راه ورود به بازار کار را برای خود آسان کنید.

×

ثبت نظر

به این دوره از ۱ تا ۵ چه امتیازی می‌دهید؟

فصل اول: پیشگفتار
00:22 ساعت
00:22
Combined Shape Created with Sketch.