TensorFlow for Image Recognition

• Python

本课程通过具体的例子探讨了Tensor Flow在图像识别方面的应用

听众

本课程适用于寻求将TensorFlow用于图像识别的工程师

完成本课程后，代表们将能够：

• 了解TensorFlow的结构和部署机制
• 执行安装/生产环境/架构任务和配置
• 评估代码质量，执行调试，监控
• 实施先进的生产，如培训模型，建立图表和记录

Machine Learning 和递归 Neural Networks （RNN） 基础知识

• NN 和 RNN
• 反向传播
• 长短期记忆 （LSTM）

TensorFlow 基本资讯

• 创建、初始化、保存和恢复 TensorFlow 变数
• 馈送、读取和预载入 TensorFlow 数据
• 如何使用 TensorFlow 基础设施大规模训练模型
• 使用 TensorBoard 视觉化和评估模型

TensorFlow 力学 101

• 教程档
• 准备数据
  • 下载
  • 输入和占位元
• 构建图形
  • 推理
  • 损失
  • 训练
• 训练模型
  • 图表
  • 会议
  • 火车环线
• 评估模型
  • 构建 Eval Graph
  • Eval 输出

高级用法

• 线程和伫列
• 分散式 TensorFlow
• 编写 Documentation 并共用模型
• 自定义 Data Reader
• 使用 GPUs¹
• 操作 TensorFlow 模型档

TensorFlow 份量

• 介绍
• 基本服务教程
• 高级服务教程
• Serving Inception 模型教程

卷积 Neural Networks

• 概述
  • GoALS
  • 教程的亮点
  • 模型架构
• 代码组织
• CIFAR-10 模型
  • 模型输入
  • 模型预测
  • 模型训练
• 启动和训练模型
• 评估模型
• 使用多个 GPU 卡训练模型¹
  • 在设备上放置变数和操作
  • 在多个 GPU 卡上启动和训练模型

Deep Learning 对于 MNIST

• 设置
• 载入 MNIST 资料
• 启动 TensorFlow InteractiveSession
• 构建Softmax回归模型
• 占位元
• 变数
• 预测类别和成本函数
• 训练模型
• 评估模型
• 构建多层卷积网路
• 权重初始化
• 卷积和池化
• 第一个卷积层
• 第二个卷积层
• 密集连接层
• 读出层
• 训练和评估模型

图像识别

• 初始 v3
  • C++
  • Java

¹ 与使用 GPU 相关的主题不作为远端课程的一部分提供。它们可以在课堂课程中提供，但必须事先达成协定，并且前提是培训师和所有参与者都拥有安装了 64 位 Linux 的受支援 NVIDIA GPU 的笔记型电脑（不是由 NobleProg 提供）。NobleProg 无法保证具有所需硬体的教练的可用性。