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 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.

Agenda

• ab 8.30 Uhr Registrierung und Begrüßungskaffee


• 9.30 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


• Datengeneratoren


• Datasets explorativ analysieren


• Hold-Out vs. Cross Validation


• 11.00 - 11.15 Uhr: Kaffeepause


• Praxisteil: Deep Learning Modelle mit Keras


• Feed-Forward Netzarchitektur


• Convolutional Neural Networks als Deep Learning Ansatz


• Evaluation und Visualisierung des Modells


• 12.30 - 13.30 Uhr: Mittagspause


• Pipelines mit Luigi


• Anforderungen an produktive Modelle


• Übersicht über Luigi und dessen Module


• Bau eines Beispiel-Workflows


• Praxisteil: Den Keras-Workflow mit Luigi implementieren


• Einzelschritte als Tasks implementieren


• Export des Tensorflow-Modells aus Keras


• 15.30 - 15.45 Uhr: Kaffeepause


• Praxisteil: TensorFlow-Serving


• Übersicht über TensorFlow-Serving


• Ladestrategien konfigurieren


• Deployment des Modells


• ca. 17.00 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:


1. docker pull codecentric/from-keras-to-production-baseimage


2. 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.

Vorkenntnisse

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

Lernziele

* Wie baut man Neuronale Netze mit Keras und TensorFlow?
* 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?