Kurzusleírás

Machine Learning és Rekurzív Neural Networks (RNN) alapjai

  • NN és RNN
  • Visszaszaporítás
  • Hosszú rövid távú memória (LSTM)

TensorFlow Alapok

  • Változók létrehozása, inicializálása, mentése és visszaállítása TensorFlow
  • Etetés, olvasás és előtöltés TensorFlow Adatok
  • Hogyan használjuk a TensorFlow infrastruktúrát a modellek méretarányos betanításához
  • Modellek megjelenítése és értékelése TensorBoard segítségével

TensorFlow Mechanika 101

  • Oktató fájlok
  • Készítse elő az adatokat
    • Letöltés
    • Bemenetek és helyőrzők
  • Készítse el a grafikont
    • Következtetés
    • Veszteség
    • Edzés
  • Tanítsd meg a modellt
    • A Grafikon
    • Az ülésszak
    • Vonathurok
  • Értékelje a modellt
    • Építsd meg az Eval Graph-ot
    • Eval kimenet

Speciális használat

  • Menetelés és sorok
  • Elosztott TensorFlow
  • A Documentation írása és a modell megosztása
  • Adatolvasók testreszabása
  • GPUs¹ használatával
  • TensorFlow Modellfájlok kezelése

TensorFlow Tálalás

  • Bevezetés
  • Alapvető kiszolgálási útmutató
  • Speciális kiszolgálási útmutató
  • Kiszolgálási kezdeti modell bemutatója

Konvolúciós Neural Networks

  • Áttekintés
    • Go als
    • Az oktatóanyag legfontosabb elemei
    • Modellarchitektúra
  • Kódszervezet
  • CIFAR-10 modell
    • Modell bemenetek
    • Modell előrejelzés
    • Modellképzés
  • A modell elindítása és betanítása
  • Modell értékelése
  • Modell betanítása több GPU kártya használatával¹
    • Változók és műveletek elhelyezése az eszközökön
    • A modell elindítása és betanítása több GPU kártyán

Deep Learning az MNIST esetében

  • Beállítás
  • MNIST adatok betöltése
  • Start TensorFlow InteractiveSession
  • Hozzon létre egy Softmax regressziós modellt
  • Helyőrzők
  • Változók
  • Előre jelzett osztály- és költségfüggvény
  • Tanítsd meg a modellt
  • Értékelje a modellt
  • Hozzon létre egy többrétegű konvolúciós hálózatot
  • Súly inicializálása
  • Konvolúció és összevonás
  • Első konvolúciós réteg
  • Második konvolúciós réteg
  • Sűrűn összekapcsolt réteg
  • Olvasási réteg
  • A modell képzése és értékelése

Képfelismerés

  • Inception-v3
    • C++
    • Java

¹ A GPU-ek használatával kapcsolatos témák nem érhetők el távoli tanfolyam részeként. A tantermi kurzusok során is leadhatók, de csak előzetes egyeztetés alapján, és csak akkor, ha mind az oktató, mind az összes résztvevő rendelkezik támogatott NVIDIA GPU laptoppal, 64 bites Linux telepítve (nem a NobleProg biztosítja). A NobleProg nem tudja garantálni a szükséges hardverrel rendelkező oktatók elérhetőségét.

Követelmények

  • Python
 28 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák