TensorFlow for Image Recognition

• Python

Kurs ten bada, na konkretnych przykładach, zastosowanie Tensor Flow do celów rozpoznawania obrazów

Publiczność

Ten kurs jest przeznaczony dla inżynierów pragnących wykorzystać TensorFlow do celów rozpoznawania obrazów

Po ukończeniu tego kursu uczestnicy będą w stanie

• zrozumieć strukturę i mechanizmy wdrażania TensorFlow&rsquo
• przeprowadzać zadania i konfigurację instalacji / środowiska produkcyjnego / architektury
• oceniać jakość kodu, przeprowadzać debugowanie, monitorowanie
• wdrażać zaawansowane funkcje produkcyjne, takie jak trenowanie modeli, budowanie wykresów i logowanie

Machine Learning i podstawy rekursywne Neural Networks (RNN)

• NN i RNN
• Propagacja wsteczna
• Długa pamięć krótkotrwała (LSTM)

Podstawy TensorFlow

• Tworzenie, inicjowanie, zapisywanie i przywracanie TensorFlow zmiennych
• Podawanie, odczytywanie i wstępne ładowanie TensorFlow danych
• Jak korzystać z infrastruktury TensorFlow do trenowania modeli na dużą skalę
• Wizualizacja i ocena modeli za pomocą TensorBoard

Mechanika 101 TensorFlow

• Pliki samouczka
• Przygotowanie danych
  • Pobieranie
  • Dane wejściowe i symbole zastępcze
• Tworzenie wykresu
  • Wnioskowanie
  • Strata
  • Trening
• Trenowanie modelu
  • Wykres
  • Sesja
  • Pętla treningowa
• Ocena modelu
  • Tworzenie wykresu oceny
  • Dane wyjściowe analizy

Zaawansowane użycie

• Wątkowanie i kolejki
• Rozproszone TensorFlow
• Pisanie Documentation i udostępnianie modelu
• Dostosowywanie czytników danych
• Używanie GPUs¹
• Manipulowanie plikami modelu TensorFlow

Serwowanie TensorFlow

• Wprowadzenie
• Samouczek obsługi podstawowej
• Samouczek obsługi zaawansowanej
• Samouczek dotyczący modelu początkowego serwowania

Konwolucyjny Neural Networks

• Przegląd
  • Go als
  • Najważniejsze informacje z samouczka
  • Architektura modelu
• Organizacja kodu
• Model CIFAR-10
  • Dane wejściowe modelu
  • Przewidywanie modelu
  • Trening modelu
• Uruchamianie i szkolenie modelu
• Ocena modelu
• Trenowanie modelu przy użyciu wielu GPU kart¹
  • Umieszczanie zmiennych i operacji na urządzeniach
  • Uruchamianie i trenowanie modelu na wielu GPU kartach

Deep Learning dla MNIST

• Konfiguracja
• Ładowanie danych MNIST
• Rozpocznij TensorFlow sesję interaktywną
• Tworzenie modelu regresji Softmax
• Placeholders
• Zmienne
• Przewidywana klasa i funkcja kosztu
• Trenowanie modelu
• Ocena modelu
• Tworzenie wielowarstwowej sieci konwolucyjnej
• Inicjalizacja wagi
• Konwolucja i łączenie
• Pierwsza warstwa konwolucyjna
• Druga warstwa konwolucyjna
• Gęsto połączona warstwa
• Warstwa odczytu
• Trenowanie i ocena modelu

Rozpoznawanie obrazów

• Inception-v3
  • C++
  • Java

¹ Tematy związane z wykorzystaniem GPU nie są dostępne jako część kursu zdalnego. Mogą być realizowane podczas kursów stacjonarnych, ale tylko po wcześniejszym uzgodnieniu i tylko wtedy, gdy zarówno trener, jak i wszyscy uczestnicy mają laptopy z obsługiwanymi kartami NVIDIA GPU, z zainstalowanym 64-bitowym Linux (nie są dostarczane przez NobleProg). NobleProg nie może zagwarantować dostępności trenerów z wymaganym sprzętem.