Course Outline

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

    NN και RNN Backprogation Μακροπρόθεσμη μνήμη (LSTM)

TensorFlow Βασικά στοιχεία

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

TensorFlow Μηχανική 101

    Προετοιμάστε τις εισόδους λήψης δεδομένων και τα σύμβολα 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
  • Διανομή νημάτων και ουρών TensorFlow Συγγραφή τεκμηρίωσης και κοινή χρήση του μοντέλου σας Προσαρμογή αναγνωστών δεδομένων με χρήση GPU¹ Χειρισμός TensorFlow αρχείων μοντέλου
  • TensorFlow Σερβίρισμα
  • Εισαγωγή Βασικό σεμινάριο υπηρεσίας Εκμάθηση προηγμένης υπηρεσίας Εκμάθηση μοντέλου έναρξης εξυπηρέτησης

      ¹ Το θέμα Προηγμένη χρήση, «Χρήση GPU», δεν είναι διαθέσιμο ως μέρος ενός μαθήματος εξ αποστάσεως. Αυτή η ενότητα μπορεί να παραδοθεί 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

    • Statistics
    • Πύθων
    • (προαιρετικό) Ένας φορητός υπολογιστής με GPU NVIDIA που υποστηρίζει CUDA 8.0 και cuDNN 5.1, με εγκατεστημένο Linux 64-bit
      21 Hours
     

    Number of participants


    Starts

    Ends


    Dates are subject to availability and take place between 09:30 and 16:30.
    Open Training Courses require 5+ participants.

    Related Courses

    Natural Language Processing (NLP) with TensorFlow

      35 Hours

    Embedding Projector: Visualizing Your Training Data

      14 Hours

    Understanding Deep Neural Networks

      35 Hours

    Related Categories