所有课程

高级TensorFlow技术

章节 1: TensorFlow 执行与图

TensorFlow 的运行模式：即时执行与图执行

理解 tf.function 和 AutoGraph

追踪机制与图表示

在图结构中实现控制流

使用 tf.GradientTape 进行自动微分

管理资源和内存

调试 TensorFlow 程序

实践：优化函数追踪

章节 2: 高性能 TensorFlow

使用 TensorBoard Profiler 分析 TensorFlow 代码性能

优化 GPU 利用率

混合精度训练技术

张量处理单元（TPU）介绍

XLA（加速线性代数）编译

tf.data 管道的性能考量

模型性能分析与加速实践

章节 3: 使用分布式策略扩展训练

分布式机器学习的基本原理

tf.distribute.Strategy 概述

用于单机多 GPU 训练的 MirroredStrategy

用于多节点训练的 MultiWorkerMirroredStrategy

ParameterServerStrategy 基本思想

用于在 TPU 上训练的 TPUStrategy

有效处理数据并行

调试分布式训练任务

实践：实现分布式训练

章节 4: 高级 API 使用与自定义组件

通过继承tf.keras.Model获得灵活性

构建定制tf.keras层

实现自定义损失函数

开发自定义指标

编写自定义训练循环

处理参差张量和稀疏张量

使用TensorFlow Addons处理特定功能

动手实践：构建自定义模型管线

章节 5: TFX：生产级机器学习流水线

TensorFlow Extended (TFX) 简介

TFX 标准组件概述

数据摄取与验证

特征工程与 Transform

模型训练与调优

模型验证与分析

使用 Pusher 进行模型服务与部署

编排 TFX 流水线

动手实践：构建一个简单的 TFX 流水线

章节 6: 模型部署与优化

保存和加载高级模型格式

TensorFlow Serving 简介

使用 REST 和 gRPC 部署 TensorFlow Serving 模型

模型优化方法

TensorFlow Lite (TF Lite) 简介

为 TF Lite 转换模型

优化设备端推理

动手实践：使用 TF Serving 部署模型

章节 7: 构建进阶架构

从零构建注意力机制

实现Transformer模块

生成对抗网络 (GANs) 原理

在TensorFlow中编写一个简单的GAN

TensorFlow图神经网络（GNN）基础

使用 TF-Agents 的强化学习智能体

实践：实现Transformer编码器层

章节 6: 模型部署与优化

课程章节

6.1 保存和加载高级模型格式
6.2 TensorFlow Serving 简介
6.3 使用 REST 和 gRPC 部署 TensorFlow Serving 模型
6.4 模型优化方法
6.5 TensorFlow Lite (TF Lite) 简介
6.6 为 TF Lite 转换模型
6.7 优化设备端推理
6.8 动手实践：使用 TF Serving 部署模型

© 2025 ApX Machine Learning用心打造