TensorFlow for Image Recognition

• Python

本課程通過具體的例子探討了Tensor Flow在圖像識別方面的應用

聽眾

本課程適用於尋求將TensorFlow用於圖像識別的工程師

完成本課程後，代表們將能夠：

• 了解TensorFlow的結構和部署機制
• 執行安裝/生產環境/架構任務和配置
• 評估代碼質量，執行調試，監控
• 實施先進的生產，如培訓模型，建立圖表和記錄

Machine Learning 和遞歸 Neural Networks （RNN） 基礎知識

• NN 和 RNN
• 反向傳播
• 長短期記憶 （LSTM）

TensorFlow 基本資訊

• 創建、初始化、保存和恢復 TensorFlow 變數
• 饋送、讀取和預載入 TensorFlow 數據
• 如何使用 TensorFlow 基礎設施大規模訓練模型
• 使用 TensorBoard 視覺化和評估模型

TensorFlow 力學 101

• 教程檔
• 準備數據
  • 下載
  • 輸入和佔位元
• 構建圖形
  • 推理
  • 損失
  • 訓練
• 訓練模型
  • 圖表
  • 會議
  • 火車環線
• 評估模型
  • 構建 Eval Graph
  • Eval 輸出

高級用法

• 線程和佇列
• 分散式 TensorFlow
• 編寫 Documentation 並共用模型
• 自定義 Data Reader
• 使用 GPUs¹
• 操作 TensorFlow 模型檔

TensorFlow 份量

• 介紹
• 基本服務教程
• 高級服務教程
• Serving Inception 模型教程

捲積 Neural Networks

• 概述
  • GoALS
  • 教程的亮點
  • 模型架構
• 代碼組織
• CIFAR-10 模型
  • 模型輸入
  • 模型預測
  • 模型訓練
• 啟動和訓練模型
• 評估模型
• 使用多個 GPU 卡訓練模型¹
  • 在設備上放置變數和操作
  • 在多個 GPU 卡上啟動和訓練模型

Deep Learning 對於 MNIST

• 設置
• 載入 MNIST 資料
• 啟動 TensorFlow InteractiveSession
• 構建Softmax回歸模型
• 佔位元
• 變數
• 預測類別和成本函數
• 訓練模型
• 評估模型
• 構建多層捲積網路
• 權重初始化
• 卷積和池化
• 第一個捲積層
• 第二個捲積層
• 密集連接層
• 讀出層
• 訓練和評估模型

圖像識別

• 初始 v3
  • C++
  • Java

¹ 與使用 GPU 相關的主題不作為遠端課程的一部分提供。它們可以在課堂課程中提供，但必須事先達成協定，並且前提是培訓師和所有參與者都擁有安裝了 64 位 Linux 的受支援 NVIDIA GPU 的筆記型電腦（不是由 NobleProg 提供）。NobleProg 無法保證具有所需硬體的教練的可用性。