课程大纲：

TensorFlow 2 模型部署方法实践培训

机器学习问题不仅是一个科学问题，

更是一个工程问题。实际应用中，我们不仅要学会构建完美的机器学习模型上，

同时还需要将其部署向用户提供便捷的服务。

本课程将使用 TensorFlow 2 框架完成机器学习模型部署实践。

1 预训练模型使用方法

2 将模型部署在后端

3 部署模型性能优化

4 TensorFlow Serving 用法

5 将模型部署在前端

6 第三方库部署模型

1
预训练模型使用方法

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

2
TensorFlow Serving 部署模型

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

3
使用 Flask 框架部署模型

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

4
使用 TensorFlow.js 部署模型

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

5
使用 TensorFlow Lite 部署模型

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

6
使用 Gradio 快速部署模型

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