Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Plan du cours
Introduction
- Chainer vs Caffe vs Torch
- Vue d'ensemble des fonctionnalités et des composants de Chainer
Pour commencer
- Comprendre la structure de l'unité didactique
- Installer Chainer, CuPy et NumPy
- Définir des fonctions sur des variables
Formation Neural Networks dans Chainer
- Construction d'un graphe de calcul
- Exécution des exemples de l'ensemble de données MNIST
- Mise à jour des paramètres à l'aide d'un optimiseur
- Traitement d'images pour évaluer les résultats
Travailler avec des GPUs dans Chainer
- Mise en œuvre de réseaux neuronaux récurrents
- Utilisation de plusieurs GPUs pour la parallélisation
Implémentation d'autres modèles de réseaux neuronaux
- Définition des modèles RNN et exemples d'exécution
- Génération d'images avec le Deep Convolutional GAN
- Exemples d'exécution Reinforcement Learning
Dépannage
Résumé et conclusion
Pré requis
- Une compréhension des réseaux de neurones artificiels
- Familiarité avec les frameworks d'apprentissage profond (Caffe, Torch, etc.)
- Expérience de la programmation en Python
Audience
- Rechercheurs en IA
- Développeurs
14 heures
Nos Clients témoignent (4)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
Very flexible
Frank Ueltzhöffer
Formation - Artificial Neural Networks, Machine Learning and Deep Thinking
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)