Plan du cours

Bases de l'apprentissage automatique et récursif Neural Networks (RNN)

    Rétropropagation NN et RNN Mémoire à long terme (LSTM)

TensorFlow Bases

    Création, initialisation, sauvegarde et restauration des variables TensorFlow Alimentation, lecture et préchargement des données TensorFlow Comment utiliser l'infrastructure TensorFlow pour former des modèles à grande échelle Visualisation et évaluation de modèles avec TensorBoard

TensorFlow Mécanique 101

    Les fichiers du didacticiel préparent les entrées de téléchargement de données et les espaces réservés
Construire l'inférence graphique
  • Perte
  • Entraînement
  • Entraîner le modèle Le graphique
  • La session
  • Boucle ferroviaire
  • Évaluer le modèle Créer le graphique d'évaluation
  • Sortie d'évaluation
  • Utilisation avancée
  • Threading et files d'attente distribuées TensorFlow Rédaction de documentation et partage de votre modèle Personnalisation des lecteurs de données à l'aide de GPU¹ Manipulation TensorFlow Fichiers de modèle
  • TensorFlow Servir
  • Introduction Tutoriel de diffusion de base Tutoriel de diffusion avancée Tutoriel de diffusion du modèle de création

      Convolutif Neural Networks
    Présentation Go et points forts de l'architecture du modèle du didacticiel

    Organisation du code

      Modèle CIFAR-10 Entrées du modèle

    Prédiction du modèle

      Formation sur modèle
    Lancement et formation du modèle
  • Évaluation d'un modèle
  • Entraînement d'un modèle à l'aide de plusieurs GPU cartes¹ Placement de variables et d'opérations sur des appareils
  • Lancer et entraîner le modèle sur plusieurs cartes GPU
  • Deep Learning pour le MNIST
  • Configuration Charger les données MNIST Démarrer TensorFlow Session interactive Créer un modèle de régression Softmax Espaces réservés Variables Classe prédite et fonction de coût Former le modèle Évaluer le modèle Construire un réseau convolutif multicouche Initialisation du poids Convolution et pooling Première couche convolutive Deuxième couche convolutive Couche densément connectée Couche de lecture Entraîner et Évaluer le modèle
  • Reconnaissance d'images
  • Création-v3 C++ Java
  • ¹ Les sujets liés à l'utilisation des GPU ne sont pas disponibles dans le cadre d'un cours à distance. Ils peuvent être dispensés pendant les cours en classe, mais uniquement sur accord préalable, et uniquement si le formateur et tous les participants disposent d'ordinateurs portables équipés de GPU NVIDIA pris en charge, avec 64 bits Linux installés (non fournis par NobleProg). NobleProg ne peut pas garantir la disponibilité des formateurs avec le matériel requis.
  • Pré requis

    • Python
      28 heures

    Nombre de participants


    Début

    Fin


    Dates are subject to availability and take place between 09:30 and 16:30.

    Prix par participant

    Nos Clients témoignent (1)

    Cours Similaires

    Natural Language Processing (NLP) with TensorFlow

      35 heures

    Understanding Deep Neural Networks

      35 heures

    Catégories Similaires