Kursplan

Machine Learning och grunderna i rekursiv Neural Networks (RNN)

  • NN och RNN
  • Bakåtförökning
  • Långt korttidsminne (LSTM)

TensorFlow Grunderna

  • Skapa, initiera, spara och återställa TensorFlow variabler
  • Matning, avläsning och förladdning TensorFlow Data
  • Så här använder du TensorFlow-infrastruktur för att träna modeller i stor skala
  • Visualisera och utvärdera modeller med TensorBoard

TensorFlow Mekanik 101

  • Tutorial-filer
  • Förbereda data
    • Ladda ned
    • Indata och platshållare
  • Bygg grafen
    • Slutsats
    • Förlust
    • Träning
  • Träna modellen
    • Grafen
    • Sessionen
    • Tågslinga
  • Utvärdera modellen
    • Bygg Eval-grafen
    • Eval Utgång

Avancerad användning

  • Trådning och köer
  • Distribuerad TensorFlow
  • Skriva Documentation och dela din modell
  • Anpassa dataläsare
  • Använda GPUs¹
  • Manipulera TensorFlow modellfiler

TensorFlow Servering

  • Införandet
  • Grundläggande serveringshandledning
  • Avancerad serveringshandledning
  • Självstudie om att betjäna startmodellen

Faltning Neural Networks

  • Överblick
    • Goals
    • Höjdpunkter i handledningen
    • Modellens arkitektur
  • Organisation av kod
  • CIFAR-10-modell
    • Indata för modell
    • Förutsägelse av modell
    • Modell träning
  • Lansera och träna modellen
  • Utvärdera en modell
  • Träna en modell med flera GPU-kort¹
    • Placera variabler och operationer på enheter
    • Starta och träna modellen på flera GPU-kort

Deep Learning för MNIST

  • Installationen
  • Ladda MNIST-data
  • Starta TensorFlow InteractiveSession
  • Skapa en Softmax-regressionsmodell
  • Platshållare
  • Variabler
  • Förutspådd klass- och kostnadsfunktion
  • Träna modellen
  • Utvärdera modellen
  • Skapa ett faltningsnätverk i flera lager
  • Initiering av vikt
  • Faltning och poolning
  • Första faltningslagret
  • Andra faltningslagret
  • Tätt sammanhängande lager
  • Avläsning Skikt
  • Träna och utvärdera modellen

Bildigenkänning

  • Inception-v3
    • C++
    • Java

¹ Ämnen relaterade till användningen av GPUs är inte tillgängliga som en del av en distanskurs. De kan levereras under klassrumsbaserade kurser, men endast efter överenskommelse, och endast om både utbildaren och alla deltagare har bärbara datorer med stöd för NVIDIA GPUs, med 64-bitars Linux installerat (tillhandahålls inte av NobleProg). NobleProg kan inte garantera tillgången på tränare med den nödvändiga hårdvaran.

Krav

  • Python
 28 timmar

Antal deltagare


Price per participant

Vittnesmål (1)

Upcoming Courses

Relaterade Kategorier