Schulungsübersicht

Grundlagen des maschinellen Lernens und des rekursiven Neural Networks (RNN).

    NN- und RNN-Backpropagation Langes Kurzzeitgedächtnis (LSTM)

TensorFlow Grundlagen

    Erstellen, Initialisieren, Speichern und Wiederherstellen von TensorFlow Variablen. Zuführen, Lesen und Vorladen von TensorFlow Daten. Verwendung der TensorFlow Infrastruktur zum Trainieren von Modellen im Maßstab. Visualisieren und Bewerten von Modellen mit TensorBoard

TensorFlow Mechanik 101

    Tutorial-Dateien bereiten die Daten-Download-Eingaben und Platzhalter vor
Erstellen Sie die Diagramminferenz
  • Verlust
  • Ausbildung
  • Trainieren Sie das Modell, den Graphen
  • Die Sitzung
  • Zugschleife
  • Bewerten Sie das Modell. Erstellen Sie das Bewertungsdiagramm
  • Evaluierungsausgabe
  • Erweiterte Nutzung
  • Threading und Warteschlangen verteilt TensorFlow Dokumentation schreiben und Ihr Modell teilen Anpassen von Datenlesern mithilfe von GPUs¹ Bearbeiten von TensorFlow Modelldateien
  • TensorFlow Servieren
  • Einführung: Grundlegendes Servier-Tutorial, Erweitertes Servier-Tutorial, Servier-Inception-Modell-Tutorial

      Faltung Neural Networks
    Übersicht Goals Highlights des Tutorials Modellarchitektur

    Code-Organisation

      CIFAR-10-Modellmodelleingaben

    Modellvorhersage

      Modelltraining
    Starten und Trainieren des Modells
  • Bewerten eines Modells
  • Trainieren eines Modells mit mehreren GPU Karten¹ Platzieren von Variablen und Operationen auf Geräten
  • Starten und Trainieren des Modells auf mehreren GPU Karten
  • Deep Learning für MNIST
  • Setup Laden der MNIST-Daten Start TensorFlow InteractiveSession Erstellen eines Softmax-Regressionsmodells Platzhalter Variablen Vorhergesagte Klasse und Kostenfunktion Trainieren des Modells Bewerten des Modells Erstellen eines mehrschichtigen Faltungsnetzwerks Gewichtsinitialisierung Faltung und Pooling Erste Faltungsschicht Zweite Faltungsschicht Dicht verbundene Schicht Ausleseschicht Trainieren und Bewerten Sie das Modell
  • Bilderkennung
  • Inception-v3 C++ Java
  • ¹ Themen im Zusammenhang mit der Verwendung von GPUs sind im Rahmen eines Fernkurses nicht verfügbar. Sie können während Präsenzkursen bereitgestellt werden, jedoch nur nach vorheriger Vereinbarung und nur, wenn sowohl der Trainer als auch alle Teilnehmer über Laptops mit unterstützten NVIDIA-GPUs verfügen, auf denen 64-Bit Linux installiert ist (nicht von NobleProg bereitgestellt). NobleProg kann die Verfügbarkeit von Trainern mit der erforderlichen Hardware nicht garantieren.
  • Voraussetzungen

    • Python
      28 Stunden

    Teilnehmerzahl


    Beginnt

    Endet


    Die Termine sind abhängig von der Verfügbarkeit und finden zwischen 09:30 und 16:30 statt.

    Preis je Teilnehmer

    Erfahrungsberichte (1)

    Kombinierte Kurse

    Verwandte Kategorien