Kurzusleírás

Gépi tanulás és rekurzív neurális hálózatok (RNN) alapjai

  • NN és RNN
  • Hátramenő terjedés (Backpropagation)
  • Hosszú távú memória (LSTM)

TensorFlow alapok

  • TensorFlow változók létrehozása, inicializálása, mentése és visszaállítása
  • Adatok betáplálása, olvasása és előzetes betöltése a TensorFlowban
  • A TensorFlow infrastruktúra használata modellek nagy léptékű betanításához
  • Modellek vizualizálása és értékelése a TensorBoard segítségével

TensorFlow mechanika 101

  • Oktatóanyag fájlok
  • Adatok előkészítése
    • Letöltés
    • Bemenetek és helykitöltők
  • Gráf felépítése
    • Inferencia
    • Veszteség
    • Betanítás
  • Modell betanítása
    • A gráf
    • A munkamenet
    • Betanítási ciklus
  • Modell értékelése
    • Értékelő gráf felépítése
    • Értékelési kimenet

Haladó használat

  • Szálkezelés és sorok
  • Elosztott TensorFlow
  • Dokumentáció írása és modell megosztása
  • Egyéni adatolvasók
  • GPU-k használata¹
  • TensorFlow modellfájlok manipulálása

TensorFlow Serving

  • Bevezetés
  • Alapszintű kiszolgáló oktatóanyag
  • Haladó kiszolgáló oktatóanyag
  • Inception modell kiszolgálási oktatóanyag

Konvolúciós neurális hálózatok

  • Áttekintés
    • Célok
    • Az oktatóanyag kiemelt részei
    • Modell architektúra
  • Kód szervezése
  • CIFAR-10 modell
    • Modell bemenetek
    • Modell előrejelzés
    • Modell betanítása
  • Modell indítása és betanítása
  • Modell értékelése
  • Modell betanítása több GPU kártya használatával¹
    • Változók és műveletek elhelyezése eszközökön
    • Modell indítása és betanítása több GPU kártyán

Mély tanulás MNIST-hez

  • Beállítás
  • MNIST adatok betöltése
  • TensorFlow InteractiveSession indítása
  • Softmax regressziós modell építése
  • Helykitöltők
  • Változók
  • Előrejelzett osztály és költségfüggvény
  • Modell betanítása
  • Modell értékelése
  • Többrétegű konvolúciós hálózat építése
  • Súlyok inicializálása
  • Konvolúció és összesítés
  • Első konvolúciós réteg
  • Második konvolúciós réteg
  • Sűrűn összekapcsolt réteg
  • Kiolvasó réteg
  • Modell betanítása és értékelése

Képfelismerés

  • Inception-v3
    • C++
    • Java

¹ A GPU-k használatával kapcsolatos témák nem elérhetőek távoktatás keretében. Ezek csak előzetes megállapodás alapján, és csak akkor adhatók át, ha mind az oktató, mind a résztvevők rendelkeznek támogatott NVIDIA GPU-val ellátott laptopokkal, amelyeken 64 bites Linux van telepítve (ezt a NobleProg nem biztosítja). A NobleProg nem vállalja, hogy rendelkezésre állnak az oktatók a szükséges hardverrel.

Követelmények

  • Python
 28 Órák

Résztvevők száma


Ár per résztvevő

Vélemények (1)

Közelgő kurzusok

Rokon kategóriák