آموزش Caffe2: شروع کار

Caffe2: Getting Started

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

  • نسخه ی نمایشی: تکنیک های پیش پردازش تصویر Demo: Image Preprocessing Techniques

  • نسخه ی نمایشی: تغییر اندازه ، تغییر اندازه و برش تصاویر Demo: Resizing, Rescaling, and Cropping Images

  • انتقال یادگیری Transfer Learning

  • مدل قبل از آموزش Squeeze Net The Squeeze Net Pre-trained Model

  • نسخه ی نمایشی: بارگیری مدل Pretrained و تنظیم خط پردازش تصویر Demo: Downloading a Pretrained Model and Setting up the Image Processing Pipeline

  • نسخه ی نمایشی: پیش پردازش تصاویر برای پیش بینی Demo: Preprocessing Images for Prediction

  • نسخه ی نمایشی: با استفاده از یک مدل از قبل آموزش دیده پیش بینی کنید Demo: Predict Using a Pre-trained Model

انتقال یک مدل از PyTorch به Caffe2 Transferring a Model from PyTorch to Caffe2

  • بررسی اجمالی ماژول Module Overview

  • PyTorch و Caffe2 PyTorch and Caffe2

  • ONNX ONNX

  • نسخه ی نمایشی: نصب بسته های ONNX Demo: Installing ONNX Packages

  • نسخه ی نمایشی: صادرات یک مدل PyTorch به ONNX Demo: Exporting a PyTorch Model to ONNX

  • نسخه ی نمایشی: وارد کردن یک مدل ONNX به کافه 2 Demo: Importing an ONNX Model Into Caffe2

  • خلاصه ماژول Module Summary

نمایش نظرات

نظری ارسال نشده است.

آموزش Caffe2: شروع کار
خرید اشتراک و دانلود خرید تکی و دانلود | 160,000 تومان (5 روز مهلت دانلود) زمان تقریبی آماده سازی لینک دانلود این دوره آموزشی حدود 5 تا 24 ساعت می باشد.
جزییات دوره
2h 1m
33
Pluralsight (پلورال سایت) pluralsight-small
31 شهریور 1397 (آخرین آپدیت رو دریافت می‌کنید، حتی اگر این تاریخ بروز نباشد.)
-
از 5
دارد
دارد
دارد
Janani Ravi

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Janani Ravi Janani Ravi

معمار و مهندس داده خبره Google Cloud

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.

Pluralsight (پلورال سایت)

Pluralsight یکی از پرطرفدارترین پلتفرم‌های آموزش آنلاین است که به میلیون‌ها کاربر در سراسر جهان کمک می‌کند تا مهارت‌های خود را توسعه دهند و به روز رسانی کنند. این پلتفرم دوره‌های آموزشی در زمینه‌های فناوری اطلاعات، توسعه نرم‌افزار، طراحی وب، مدیریت پروژه، و موضوعات مختلف دیگر را ارائه می‌دهد.

یکی از ویژگی‌های برجسته Pluralsight، محتوای بروز و با کیفیت آموزشی آن است. این پلتفرم با همکاری با توسعه‌دهندگان و کارشناسان معتبر، دوره‌هایی را ارائه می‌دهد که با توجه به تغییرات روزافزون در صنعت فناوری، کاربران را در جریان آخرین مفاهیم و تکنولوژی‌ها نگه می‌دارد. این امر به کاربران این اطمینان را می‌دهد که دوره‌هایی که در Pluralsight می‌پذیرند، با جدیدترین دانش‌ها و تجارب به روز شده‌اند.