Zurück

End-2-End vom Keras TensorFlow-Modell zur Produktion

Durch das stark wachsende Datenvolumen hat sich das Rollenverständnis von Data Scientists erweitert. Statt Machine-Learning-Modelle für einmalige Analysen zu erstellen, wird häufiger in konkreten Entwicklungsprojekten gearbeitet, in denen Prototypen in produktive Anwendungen überführt werden.

Keras ist eine High-Level-Schnittstelle, die ein schnelles, einfaches und flexibles Prototypisieren von neuronalen Netzwerken mit TensorFlow 2 ermöglicht. Zusammen mit Luigi lassen sich beliebig komplexe Datenverarbeitungs-Workflows in Python erstellen. Das führt dazu, dass auch Nicht-Entwickler den End-2-End-Workflow des Keras-TensorFlow-Modells zur Produktionsreife leicht implementieren können.

Vorkenntnisse

* Python: Grundkenntnisse
* Machine Learning:Fortgeschrittene Kenntnisse
* Deep Learning: Grundkenntnisse

Lernziele

* Wie baut man Neuronale Netze mit Keras und TensorFlow 2?
* Wie exportiert man trainierte Modelle?
* Wie bringt man trainierte Modelle in eine Produktionsumgebung?
* Wie baut man einen kompletten Datenverarbeitungs-Workflow mit Luigi?
* Worauf muss man achten, wenn man trainierte Modelle produktiv nutzen möchte?

Agenda

ab 10 Uhr: Registrierung und Begrüßungskaffee
11 Uhr: Beginn
Intro
Machine Learning

Was ist Machine Learning
Der typische ML Workflow
Was sind neuronale Netze?
Jupyter Lab mit Python
Eine Einführung in TensorFlow
Keras als High-Level API für TensorFlow

Praxisteil: Deep Learning Modelle mit Keras

Convolutional Neural Networks als Deep Learning Ansatz
Vortrainierte Modelle nutzen und modifizieren

12.30 - 13.30: Mittagspause

Eigene Netze trainieren
Evaluation des Modells

Pipelines für die Produktion

Anforderungen an produktive Modelle
Übersicht über DVC
Bau eines Beispiel-Workflows

15.00 - 15.15: Kaffeepause
Praxisteil: Den Keras-Workflow implementieren

Einzelschritte als Tasks implementieren
Export des Tensorflow-Modells aus Keras

16.30 - 16.45: Kaffeepause
Praxisteil: TensorFlow-Serving

Übersicht über TensorFlow-Serving
Ladestrategien konfigurieren

ca. 18:00 Uhr: Ende

Technische Anforderungen

Notebook mit Adminrechten und Docker (und genügend freiem Speicherplatz, ca. 3GB)
Um optimal vorbereitet zu sein, sollten alle Workshop-Teilnehmer Folgendes ausführen:
- docker pull codecentric/from-keras-to-production-baseimage
- docker pull codecentric/tensorflow-serving-baseimage

Falls Sie ein Gerät Ihrer Firma verwenden, überprüfen Sie vorher bitte, ob eines der folgenden, gelegentlich vorkommenden Probleme bei Ihnen auftreten könnte:

Workshop-Teilnehmer hat keine Administrator-Rechte
Corporate Laptops mit übermäßig penibler Sicherheitssoftware
Gesetzte Corporate-Proxies, über die man in der Firma kommunizieren muss, die aber in einer anderen Umgebung entsprechend nicht erreicht werden.

Speaker

Mark Keinhörster ist Data Architect bei der codecentric AG. Er ist im Big-Data-Zoo zu Hause und beschäftigt sich außerdem mit Docker, Microservices und Cloud-Technologien.

Shirin Glander arbeitet als Data Scientist bei codecentric. Sie hat in der Bioinformatik promoviert und nutzt von Statistik bis Machine Learning verschiedene Methoden, um aus Daten spannende und neue Erkenntnisse zu gewinnen. Regelmäßig bloggt sie über Data-Science-Themen und gibt Schulungen zu Deep Learning mit Keras.

Jetzt Tickets sichern

M3-Newsletter

Du möchtest über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

Anmelden