Programa del Curso

Conceptos básicos de aprendizaje automático y recursivo Neural Networks (RNN)

    NN y RNN Propagación hacia atrás Memoria a corto plazo (LSTM)

TensorFlow Conceptos básicos

    Creación, inicialización, guardado y restauración de variables TensorFlow Alimentación, lectura y precarga TensorFlow de datos Cómo usar TensorFlow la infraestructura para entrenar modelos a escala Visualización y evaluación de modelos con TensorBoard

TensorFlow Mecánica 101

    Archivos del tutorial Preparar los datos Descargar Entradas y marcadores de posición
Construir el gráfico Inferencia
  • Pérdida
  • Adiestramiento
  • Entrenamiento del modelo El gráfico
  • La sesión
  • Bucle de tren
  • Evaluar el modelo Construir el gráfico de evaluación
  • Salida de evaluación
  • Uso avanzado
  • Subprocesos y colas Distribuido TensorFlow Escribir documentación y compartir el modelo Personalización de lectores de datos Uso de GPU¹ Manipulación de TensorFlow archivos de modelo
  • TensorFlow Servir
  • Introducción Tutorial básico de servicio Tutorial de servicio avanzado Tutorial del modelo de inicio de servicio

      Convolucional Neural Networks
    Visión general Goals Aspectos destacados del tutorial Arquitectura del modelo

    Organización del código

      Modelo CIFAR-10 Entradas del modelo

    Predicción del modelo

      Entrenamiento de modelos
    Lanzamiento y entrenamiento del modelo
  • Evaluación de un modelo
  • Entrenamiento de un modelo con varias GPU tarjetas¹ Colocación de variables y operaciones en dispositivos
  • Lanzamiento y entrenamiento del modelo en varias tarjetas GPU
  • Deep Learning para MNIST
  • Arreglo Cargar datos MNIST Inicio TensorFlow InteractiveSession Creación de un modelo de regresión Softmax Marcadores de posición Variables Clase y función de coste predichos Entrenamiento del modelo Evaluar el modelo Construir una red convolucional multicapa Inicialización de peso Convolución y agrupación Primera capa convolucional Segunda capa convolucional Capa densamente conectada Capa de lectura Entrenamiento y evaluación del modelo
  • Reconocimiento de imágenes
  • Inicio-v3 C++ Java
  • ¹ Los temas relacionados con el uso de GPU no están disponibles como parte de un curso remoto. Se pueden impartir durante los cursos presenciales, pero solo por acuerdo previo, y solo si tanto el instructor como todos los participantes tienen computadoras portátiles con GPU NVIDIA compatibles, con 64 bits Linux instalados (no proporcionados por NobleProg). NobleProg no puede garantizar la disponibilidad de entrenadores con el hardware necesario.
  • Requerimientos

    • Python
      28 horas
     

    Número de participantes


    Comienza

    Termina


    Las fechas están sujetas a disponibilidad y tienen lugar entre 09:30 y 16:30.
    Los cursos de formación abiertos requieren más de 5 participantes.

    Testimonios (1)

    Cursos Relacionados

    Comprender las Redes Neuronales Profundas

      35 horas

    Categorías Relacionadas