Bedankt voor uw aanvraag! Een van onze medewerkers neemt binnenkort contact met u op
Bedankt voor uw boeking! Een van onze medewerkers neemt binnenkort contact met u op.
Cursusaanbod
Het diepteleren-omgeving in MATLAB en controle op GPU-functionaliteit
- Overzicht van de architectuur en werkflow binnen de Deep Learning Toolbox
- Toetsing van GPU-beschikbaarheid, compatibiliteit met CUDA/cuDNN en driver-configuratie
- Instellen van parallelle verwerkers, geheugenbeheer en basiskennis van
gpuArray - Oefening 1: Controleren of de omgeving klaar is en je eerste GPU-versnelde diepteleerscript uitvoeren
Kernconcepten van diepteleren in MATLAB
- Soorten netwerklagen: convolutielaag, poolinglaag, batch-normalisatielaag, dropoutlaag, residual-laag en volledig verbonden lagen
- Basisprincipes van
dlarray,dlnetworken zelf te schrijven trainingsalgoritmen - Verliesfuncties, optimalisatoren (Adam, SGD, RMSProp) en strategieën voor het afstemmen van de leerratio
- Visualiseren van netwerksstructuren, gewichtsverdelingen en gradiëntenstromen ten behoeve van debugging
- Oefening 2: Een eigen
dlnetworkbouwen en de interactie tussen netwerklagen analyseren
Vormgeven van CNN's voor beeldherkenning
- Gebruikelijke ontwerpmethoden voor CNN's: kenmerkextractie, ruimtelijke hiërarchieën en receptieve velden
- Transfer learning: gebruik maken van reeds getrainde modellen zoals ResNet, EfficientNet en MobileNet
- Data-augmentatieprocessen via
imageDatastore,augmentedImageDatastoreen maatwerktransformaties - Oefening 3: Een CNN van scratch trainen op een eigen set beelden waarbij augmentatie wordt toegepast
Automatische gegevenslabeling en herhaalbare data-pipelines
- Gebruik maken van actief leren en semi-geautomatiseerde labelingstools binnen MATLAB
- Importeren en exporteren van annotaties in diverse formaten (COCO, Pascal VOC, YOLO, CSV)
- Verschillende versiecontrolemaatregelen opzetten voor dataverwerkingsscripts
- Oefening 4: Automatiseren van het labelingproces en integratie ervan in een trainingsscript
Schaalbaar trainen: meerdere GPUs, cloud-omgevingen en clusters
- Trainingsstrategieën voor gebruik van meerdere GPU's: afstemmen van batchgroottes, gradiëntverzameling en dataparallelisme
- Distributietraining via MATLAB Parallel Server en lokale rekenclusters
- Cloud-georiënteerde trainingsprocessen (AWS, Azure, GCP) door gebruik van MATLAB-cloudprofielen
- Bewaking tijdens training, opslaan van trainingsresultaten en optimalisatie van hyperparameters
- Oefening 5: Uitbreiden van het model naar meerdere GPU's of cloud-omgevingen en analyseren van prestaties
Samenwerken tussen verschillende frameworks en uitwisselen van modellen
- Importeren van reeds getrainde Caffe- of TensorFlow/Keras-modellen in MATLAB
- Controle op gelijkwaardigheid van nauwkeurigheid en aanpassing van netwerkarchitectuur aan de eisen van MATLAB
- Exporteren van modellen naar ONNX, TensorFlow of Core ML voor implementatie in andere platformen
- Oefening 6: Importeren van een TF-Keras-model, fine-tunen ervan en exporteren als ONNX-bestand
Afrondend project en klaarmaken voor productiegebruik
- Complete workflow: inname van gegevens, trainen, valideren, optimaliseren en implementatie
- Modelcompressietechnieken zoals pruning en kwantisering, evenals codegenerering met GPU Coder
- Beste praktijken voor reproduceerbaarheid: logging, random seed-instellingen en verspreiding van MATLAB-applicaties voor diepteleren
- Afrondingsopdracht: Bouw, train, optimaliseer en exporteer een volledig functioneel systeem voor beeldherkenning dat is afgestemd op jouw eigen werkterrein
Wilt u een aangepaste cursusstructuur aanvragen? Neem dan contact met ons op.
Vereisten
- Grondige kennis van MATLAB (syntaxis, programmeerworkflows en gebruik van gereedschappen)
- Voorafgaande ervaring in datavisie of diepteleren is niet vereist
- Toegang tot een lokale workstation met GPU-ondersteuning (CUDA-compatibel) of toegang tot een goedgekeurd cloud-cluster voor de praktijkopdrachten
Doelgroep
- Ontwikkelaars en software-engineers
- Onderzoeksingenieurs en vakgebiedsexperts
- Teams die overstappen van traditionele signaal- of beeldverwerking naar AI-gebaseerde werkprocessen
14 Uren
Getuigenissen (2)
De aanpassing van de exos aan onze context en het meenemen van onze vraag
Amel Guetat - EURO-INFORMATION DEVELOPPEMENTS
Cursus - Fraud Detection with Python and TensorFlow
Automatisch vertaald
De training was goed georganiseerd en uitgewerkt, waardoor ik er een gestructureerde kennis van heb opgedaan en een goed overzicht krijg van de onderwerpen die we hebben besproken.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Cursus - Deep Learning with TensorFlow 2
Automatisch vertaald
