Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
Caffe2 یک چارچوب یادگیری عمیق است که در آوریل 2017 توسط فیس بوک تهیه شده است. Caffe2 به طور صریح برای استقرار تولید در مقیاس بزرگ و استفاده در یک محیط منبع محدود مانند دستگاه های تلفن همراه ساخته شده است. Caffe2 یک چارچوب یادگیری عمیق منبع باز است و رقیب چارچوب هایی مانند TensorFlow ، Apache MXNet و PyTorch. تمرکز آن بر روی کارایی است و به خوبی با محیط های محدود مانند دستگاه های تلفن همراه کار می کند. در این دوره ، Caffe2: Getting Started ، شما اصول ساخت شبکه های عصبی و کار با Caffe2 را یاد می گیرید ، با باغ وحش مدل Caffe2 آشنا می شوید و می بینید که چگونه می توانید با استفاده از ONNX مدل ها را از PyTorch به Caffe2 وارد کنید. ابتدا ، شما سازه های اساسی Caffe2 ، حباب ها و فضای کار ، شبکه ها و اپراتورها را کشف خواهید کرد و آنها را برای ساخت شبکه های عصبی برای انجام کارهایی مانند رگرسیون و طبقه بندی در کنار هم قرار می دهید. سپس ، شما با تکنیک های رایج پیش پردازش تصویر و باغ وحش مدل Caffe2 آشنا خواهید شد که طیف گسترده ای از مدل های از قبل آموزش دیده را برای موارد استفاده معمول ارائه می دهد. در مرحله بعدی ، شما بر قابلیت همکاری بین چارچوب یادگیری عمیق PyTorch و Caffe2 با استفاده از ONNX ، یک چارچوب منبع باز برای صادرات مدل ها از یک چارچوب به چارچوب دیگر تمرکز خواهید کرد. در آخر ، شما از ONNX برای انتقال یک مدل با وضوح فوق العاده از PyTorch به Caffe2 استفاده خواهید کرد. در پایان این دوره ، شما باید در ساخت و اجرای شبکه های عصبی با استفاده از Caffe2 راحت باشید ، با استفاده از مدل های از قبل آموزش دیده برای کارهای معمول و استفاده از ONNX از یک چارچوب به چارچوب دیگر.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
مقدمه ای بر کافه 2
Introduction to Caffe 2
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prequisites and Course Outline
نورون ها و شبکه های عصبی
Neurons and Neural Networks
معرفی کافه 2
Introducing Caffe2
نسخه ی نمایشی: نصب Caffe2
Demo: Installing Caffe2
حباب ها و فضاهای کاری
Blobs and Workspaces
نسخه ی نمایشی: لکه ها ، فضاهای کاری و اپراتورها
Demo: Blobs, Workspaces, and Operators
نسخه ی نمایشی: توابع فعال سازی به عنوان اپراتورها
Demo: Activation Functions as Operators
نسخه ی نمایشی: ساخت و اجرای شبکه ها
Demo: Building and Executing Nets
نسخه ی نمایشی: کاتالوگ اپراتورها
Demo: The Operators Catalog
آموزش شبکه عصبی با استفاده از گرادیان نزول
Training a Neural Network Using Gradient Descent
نسخه ی نمایشی: رگرسیون خطی در جستجوی مجموعه داده های مسکن بوستون
Demo: Linear Regression Exploring the Boston Housing Dataset
نسخه ی نمایشی: رگرسیون خطی با استفاده از مدل Helper and Brew
Demo: Linear Regression Using Model Helper and Brew
نسخه ی نمایشی: طبقه بندی بررسی مجموعه Iris
Demo: Classification Exploring the Iris Dataset
نسخه ی نمایشی: ساخت طبقه بندی و آموزش شبکه عصبی
Demo: Classification Building and Training The Neural Network
استفاده از یک شبکه از قبل آموزش دیده برای طبقه بندی تصویر
Using a Pre-trained Network for Image Classification
بررسی اجمالی ماژول
Module Overview
Convolution ، Pooling و CNN Architectures
Convolution, Pooling and CNN Architectures
تکنیک های پیش پردازش تصویر
Image Preprocessing Techniques
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات