你将学到的
  • 预训练模型使用方法
  • 将模型部署在后端
  • 部署模型性能优化
  • TensorFlow Serving 用法
  • 将模型部署在前端
  • 第三方库部署模型
lab-classic 实验 1 预训练模型使用方法

知识点: 1.Keras导入预训练模型 2.预训练模型的使用方法 3.保存模型为HDF5格式 4.保存模型为SavedModel格式

lab-classic 实验 2 TensorFlow Serving 部署模型

知识点: 1.通过Docker部署TensorFlowServing 2.通过RESTAPI访问TensorFlowServing服务 3.通过gRPC访问TensorFlowServing服务

lab-classic 实验 3 使用 Flask 框架部署模型

知识点: 1.通过Flask进行模型部署 2.通过传输图片访问API 3.通过网页访问API

lab-classic 实验 4 使用 TensorFlow.js 部署模型

知识点: 1.将预训练模型转换到TensorFlowjs 2.开启跨源资源共享 3.TensorFlowjs的基本语法 4.TensorFlowjs载入模型 5.TensorFlowjs模型预测

lab-classic 实验 5 使用 TensorFlow Lite 部署模型

知识点: 1.转换Keras模型为TensorFlowLite格式 2.TensorFlowLite解释器安装与使用 3.TensorFlowLite权重量化 4.TensorFlowLite整数量化 5.TensorFlowLiteFloat16量化

lab-classic 实验 6 使用 Gradio 快速部署模型

知识点: 1.Gradio安装与配置 2.使用Gradio进行图像分类 3.使用Gradio进行手写数字识别 4.使用Gradio进行文本处理

课程介绍

机器学习问题不仅是一个科学问题,更是一个工程问题,参考 Google 团队对于机器学习技术栈的 解释,不难发现机器学习的工程实践至关重要。

大多数年轻的数据科学家都希望将大部分时间花在构建完美的机器学习模型上,但是企业不仅需要训练一个完美的模型,同时也需要将其部署,向用户提供便捷的服务。

如图所示,机器学习系统由机器学习代码只包含一小部分,而在中间的小黑匣子周围,所需要的基础设施庞大而复杂。

TensorFlow

在本课程中,我们将重点放到了机器学习模型部署上面,并使用最为热门的 TensorFlow 2 框架完成实践。

先学课程

课程难度

简单

适合人群

  • 掌握机器学习算法后继续学习后端开发的技术,并学会部署机器学习模型。

课程信息

  • 学习周期:课程有效期 2 个月, 2 个月后实验文档一直可以看,但无法进行在线实验。高级会员有效期内可一直学习(部分实验环境因为成本较高会限制次数),高级会员到期后课程失效(不能看文档)。
  • 课程价格:当前优惠价格 59 元。
  • 企业团报:可获得更多支持服务,请点击 购买咨询
课程教师

Gods_Dusk 共发布过 3 门课程

厦门大学信息学院智能科学与技术系硕士研究生,中国生物医学工程学会,医学人工智能分会会员。多次参加kaggle图像分类竞赛和天池大数据竞赛。

查看老师的所有课程 >
实验楼楼+
实验楼会员
会员
开通会员,即刻开始学习
公众号
实验楼学习助手 实验楼订阅号