Course Outline

Εισαγωγή

    Επισκόπηση των Horovod χαρακτηριστικών και εννοιών Κατανόηση των υποστηριζόμενων πλαισίων

Εγκατάσταση και διαμόρφωση Horovod

    Προετοιμασία του περιβάλλοντος φιλοξενίας Building Horovod για TensorFlow, Keras, PyTorch και Apache MXNet Running Horovod

Τρέξιμο κατανεμημένης προπόνησης

    Τροποποίηση και εκτέλεση παραδειγμάτων προπόνησης με το TensorFlow Τροποποίηση και εκτέλεση παραδειγμάτων προπόνησης με Keras Τροποποίηση και εκτέλεση παραδειγμάτων εκπαίδευσης με PyTorch Τροποποίηση και εκτέλεση παραδειγμάτων εκπαίδευσης με το Apache MXNet

Βελτιστοποίηση Κατανεμημένων Διαδικασιών Εκπαίδευσης

    Εκτέλεση ταυτόχρονων λειτουργιών σε πολλαπλά GPUs Υπερπαράμετροι συντονισμού Ενεργοποίηση αυτόματου συντονισμού απόδοσης

Αντιμετώπιση προβλημάτων

Περίληψη και Συμπέρασμα

Requirements

  • Κατανόηση της Μηχανικής Μάθησης, συγκεκριμένα της βαθιάς μάθησης
  • Εξοικείωση με βιβλιοθήκες μηχανικής εκμάθησης (TensorFlow, Keras, PyTorch, Apache MXNet)
  • Εμπειρία προγραμματισμού Python

Ακροατήριο

  • προγραμματιστές
  • Επιστήμονες δεδομένων
  7 Hours

Number of participants


Starts

Ends


Dates are subject to availability and take place between 09:30 and 16:30.

Price per participant

Testimonials (5)

Related Courses

Deep Learning AI Techniques for Executives, Developers and Managers

  21 Hours

Deep Learning for Business

  14 Hours

Deep Learning for Finance (with R)

  28 Hours

Deep Learning for Banking (with Python)

  28 Hours

Deep Learning for Banking (with R)

  28 Hours

Deep Learning for Finance (with Python)

  28 Hours

Deep Learning for Medicine

  14 Hours

Related Categories