Course Outline

Βασικά στοιχεία μηχανικής μάθησης και αναδρομικής Neural Networks (RNN).

    NN και RNN Backpropagation Long short-term memory (LSTM)

TensorFlow Βασικά στοιχεία

    Δημιουργία, προετοιμασία, αποθήκευση και επαναφορά TensorFlow μεταβλητών Τροφοδοσία, ανάγνωση και προφόρτωση δεδομένων TensorFlow Τρόπος χρήσης της υποδομής TensorFlow για την εκπαίδευση μοντέλων σε κλίμακα Οπτικοποίηση και αξιολόγηση μοντέλων με το TensorBoard

TensorFlow Μηχανική 101

    Αρχεία εκμάθησης Προετοιμάστε τις εισόδους λήψης δεδομένων και τις θέσεις κράτησης θέσης
Δημιουργήστε το συμπέρασμα γραφήματος
  • Απώλεια
  • Εκπαίδευση
  • Εκπαιδεύστε το μοντέλο The Graph
  • Η Συνεδρία
  • Βρόχος τρένου
  • Αξιολογήστε το μοντέλο Δημιουργήστε το γράφημα Eval
  • Eval Output
  • Προηγμένη χρήση
  • Διανέμονται νήματα και ουρές TensorFlow Εγγραφή τεκμηρίωσης και κοινή χρήση του μοντέλου σας Προσαρμογή συσκευών ανάγνωσης δεδομένων με χρήση GPU¹ Χειρισμός TensorFlow αρχείων μοντέλου
  • TensorFlow Σερβίρισμα
  • Εισαγωγή Βασικό σεμινάριο υπηρεσίας Εκμάθηση προηγμένης υπηρεσίας Εκμάθηση μοντέλου έναρξης εξυπηρέτησης

      Συνελικτικό Neural Networks
    Επισκόπηση Goals Highlights of the Tutorial Model Architecture

    Οργάνωση κώδικα

      Είσοδοι μοντέλου CIFAR-10

    Πρόβλεψη μοντέλου

      Εκπαίδευση μοντέλου
    Εκκίνηση και εκπαίδευση του μοντέλου
  • Αξιολόγηση μοντέλου
  • Εκπαίδευση μοντέλου με χρήση πολλαπλών καρτών GPU¹ Τοποθέτηση μεταβλητών και λειτουργιών σε συσκευές
  • Εκκίνηση και εκπαίδευση του μοντέλου σε πολλαπλές κάρτες GPU
  • Deep Learning για το MNIST
  • Εγκατάσταση Φόρτωση MNIST Data Start TensorFlow InteractiveSession Δημιουργία μοντέλου παλινδρόμησης Softmax Placeholders Μεταβλητές Προβλεπόμενη κατηγορία και συνάρτηση κόστους Εκπαίδευση του μοντέλου Αξιολόγηση του μοντέλου Δημιουργία πολυεπίπεδου συνελικτικού δικτύου Αρχικοποίηση βάρους Συνέλιξη και ομαδοποίηση First Convolutional Layer Δεύτερο Συνελικτικό Επίπεδο Δεύτερο Συνελικτικό Layer Αξιολογήστε το μοντέλο
  • Αναγνώριση εικόνας
  • Inception-v3 C++ Java
  • ¹ Τα θέματα που σχετίζονται με τη χρήση των GPU δεν είναι διαθέσιμα ως μέρος ενός μαθήματος εξ αποστάσεως. Μπορούν να παραδοθούν κατά τη διάρκεια μαθημάτων που βασίζονται στην τάξη, αλλά μόνο κατόπιν προηγούμενης συμφωνίας, και μόνο εάν τόσο ο εκπαιδευτής όσο και όλοι οι συμμετέχοντες διαθέτουν φορητούς υπολογιστές με υποστηριζόμενες GPU NVIDIA, με εγκατεστημένα 64-bit Linux (δεν παρέχεται από τη NobleProg). Η NobleProg δεν μπορεί να εγγυηθεί τη διαθεσιμότητα εκπαιδευτών με το απαιτούμενο υλικό.
  • Requirements

    • Python
     28 Hours

    Number of participants



    Price per participant

    Testimonials (1)

    Related Courses

    Deep Learning with TensorFlow

    21 Hours

    Natural Language Processing (NLP) with TensorFlow

    35 Hours

    Embedding Projector: Visualizing Your Training Data

    14 Hours

    Understanding Deep Neural Networks

    35 Hours

    Related Categories