概述
本課程涵蓋如何實作各種生產機器學習系統,包括:
- 靜態、動態與連續訓練
- 、靜態與動態推論
- 、批次與線上處理
。您將深入探討 TensorFlow 抽象層級,探索分散式訓練選項,並學習如何使用自訂估計器撰寫分散式訓練模型。
為什麼選擇 KORNERSTONE
- 經認證、由實務人員主導的專家證書培訓師,提供高品質的培訓
- 官方訓練資料包含
- 實務、情境導向學習——著重應用,而非僅理論
- 優秀的通過率
涵蓋技能
完成本課程後,學習者將能:
- 區分靜態、動態與持續訓練管線。
- 實作生產模型的靜態與動態推論。
- 根據使用情境需求選擇批次與線上處理。
- 導航 TensorFlow 抽象層級(從高階 Keras 到低階自訂操作)。
- 在 Google Cloud 上建立並管理分散式訓練工作。
- 使用 自訂估計器撰寫分散式訓練模型。
- 應用生產機器學習系統的最佳實務。
先決條件
- 完成 Google Cloud 進階機器學習系列第一課程(建議)
- 具備 TensorFlow 的工作知識(包括 Keras)
- Python 及基本雲端概念
熟悉
目標受眾
- 雲端架構師設計機器學習管線
- 階機器學習工程師
- 將模型移至生產環境
- 完成 Google Cloud 高級機器學習系列首期課程的學習者
中
的資料科學家
培訓大綱
模組 1: 生產機器學習系統導論
- 生產挑戰
- 靜態 vs. 動態 vs. 持續訓練
- 批次處理 vs. 線上處理
模組 2: 生產中的推論
- 靜態推論(預先計算)
- 動態推論(按需)
- 延遲與吞吐量考量
模組 3: TensorFlow 抽象層
- TF 2.x 生態系統
- 估計器、Keras 與自訂迴圈
- 何時使用哪種抽象
模組 4: 分散式訓練基礎
- 為什麼要分散式訓練
- 資料平行性與模型平行性
- 鏡像策略、TPUS 策略、多工作者鏡像策略
模組 5: 分散式訓練專用的客製化估算器
- 撰寫自訂估計器
- 模型函數與輸入函數
- 實驗室:使用自訂估計器的分散式訓練
模組 6: 生產管線架構
- 持續訓練流程
- 模型版本控制與回
- 監控與警示
滾
模組7:挑戰實驗室(技能徽章)
- 直接跳轉至挑戰實驗室
- ,展示生產機器學習技能,無需完成所有模組





