آموزش درک تصویر با TensorFlow در GCP

Image Understanding with TensorFlow on GCP

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره: در این دوره ، ما نگاهی خواهیم انداخت به استراتژی های مختلف برای ساخت یک طبقه بندی تصویر با استفاده از شبکه های عصبی کانولوشن. ما با افزایش ، استخراج ویژگی ها و تنظیمات دقیق بیش از حد دقت مدل را بهبود می بخشیم در حالی که ... این دوره بخشی از موارد زیر است: یادگیری پیشرفته ماشین در Google Cloud Path همه را بزرگ کنید به تصویر درک با TensorFlow در GCP خوش آمدید 18m 41s مدل های خطی و DNN 1 ساعت و 5 دقیقه 57 شبکه های عصبی کانولوشن (CNN) 37m 59s مقابله با کمبود داده 35 متر 5 ثانیه عمیق تر رفتن 1 ساعت 4 متر 45 ثانیه مدل های ML از قبل ساخته شده برای طبقه بندی تصویر 33m 44s خلاصه 3m 58s علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.

سرفصل ها و درس ها

به تصویر درک با TensorFlow در GCP خوش آمدید Welcome to Image Understanding with TensorFlow on GCP

  • معرفی دوره Course Introduction

  • تصاویر به عنوان داده های تصویری Images as Visual Data

  • ساختار داده و داده غیر ساختاری Structured vs Unstructured Data

  • شروع کار با GCP و Qwiklabs Getting started with GCP and Qwiklabs

مدل های خطی و DNN Linear and DNN Models

  • مقدمه Introduction

  • مدل های خطی Linear Models

  • Lab Intro: مدل های خطی برای طبقه بندی تصویر Lab Intro:Linear Models for Image Classification

  • آزمایشگاه: طبقه بندی تصویر با یک مدل خطی Lab: Image Classification with a Linear Model

  • راه حل آزمایشگاهی: مدل های خطی برای طبقه بندی تصویر Lab Solution:Linear Models for Image Classification

  • بررسی مدل های DNN DNN Models Review

  • آزمایشگاه معرفی: مدل های DNN برای طبقه بندی تصویر Lab Intro:DNN Models for Image Classification

  • آزمایشگاه: طبقه بندی تصویر با مدل شبکه عصبی عمیق Lab: Image Classification with a Deep Neural Network Model

  • راه حل آزمایشگاهی: مدل های DNN برای طبقه بندی تصویر Lab Solution:DNN Models for Image Classification

  • نقد و بررسی: Dropout چیست؟ Review:What is Dropout?

  • Lab Intro: DNN با لایه Dropout برای طبقه بندی تصویر Lab Intro:DNNs with Dropout Layer for Image Classification

  • آزمایشگاه: طبقه بندی تصویر با مدل DNN همراه با رها کردن Lab: Image Classification with a DNN Model with Dropout

  • راه حل آزمایشگاهی: DNN با لایه Dropout برای طبقه بندی تصویر Lab Solution:DNNs with Dropout Layer for Image Classification

شبکه های عصبی کانولوشن (CNN) Convolutional Neural Networks (CNNs)

  • مقدمه Introduction

  • درک همگرایی ها Understanding Convolutions

  • پارامترهای مدل CNN CNN Model Parameters

  • کار با لایه های استخر Working with Pooling Layers

  • اجرای CNN با TensorFlow Implementing CNNs with TensorFlow

  • Intro Lab: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional Lab Intro:Creating an Image Classifier with a Convolutional Neural Network

  • آزمایشگاه: طبقه بندی تصویر با مدل CNN Lab: Image Classification with a CNN Model

  • راه حل آزمایشگاهی: ایجاد یک طبقه بندی کننده تصویر با یک شبکه عصبی Convolutional Lab Solution:Creating an Image Classifier with a Convolutional Neural Network

مقابله با کمبود داده Dealing with Data Scarcity

  • مشکل کمبود داده The Data Scarcity Problem

  • افزایش داده ها Data Augmentation

  • مقدمه آزمایشگاه: پیاده سازی افزایش تصویر Lab Intro:Implementing image augmentation

  • آزمایشگاه: افزایش تصویر در TensorFlow Lab: Image Augmentation in TensorFlow

  • راه حل آزمایشگاهی: پیاده سازی افزایش تصویر Lab Solution:Implementing image augmentation

  • انتقال یادگیری Transfer Learning

  • معرفی آزمایشگاه: پیاده سازی یادگیری انتقال Lab Intro:Implementing Transfer Learning

  • آموزش طبقه بندی تصویر با Inception v3 Image Classification Transfer Learning with Inception v3

  • راه حل آزمایشگاهی: پیاده سازی یادگیری انتقال Lab Solution:Implementing Transfer Learning

  • بدون داده ، بدون مشکل No Data, No Problem

عمیق تر رفتن Going Deeper Faster

  • مقدمه Introduction

  • عادی سازی دسته ای Batch Normalization

  • شبکه های باقیمانده Residual Networks

  • شتاب دهنده ها (CPU در مقابل GPU ، TPU) Accelerators (CPU vs GPU, TPU)

  • برآوردگر TPU TPU Estimator

  • نسخه ی نمایشی: برآوردگر TPU Demo:TPU Estimator

  • جستجوی معماری عصبی Neural Architecture Search

  • خلاصه Summary

مدل های ML از قبل ساخته شده برای طبقه بندی تصویر Pre-built ML Models for Image Classification

  • مقدمه Introduction

  • مدل های ML از پیش ساخته شده Pre-built ML Models

  • Cloud Vision API Cloud Vision API

  • نسخه ی نمایشی: Vision API Demo:Vision API

  • AutoML Vision AutoML Vision

  • نسخه ی نمایشی: AutoML Demo:AutoML

  • AutoML Architecture AutoML Architecture

  • Intro Lab: آموزش با مدل های ML از پیش ساخته شده با استفاده از Cloud Vision API و AutoML Lab Intro:Training with Pre-built ML Models using Cloud Vision API and AutoML

  • آزمایشگاه: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML Lab: Training with Pre-built ML Models using Cloud Vision API and AutoML

  • راه حل آزمایشگاهی: آموزش با مدلهای ML از قبل ساخته شده با استفاده از Cloud Vision API و AutoML Lab Solution:Training with Pre-built ML Models using Cloud Vision API and AutoML

خلاصه Summary

  • خلاصه Summary

نمایش نظرات

آموزش درک تصویر با TensorFlow در GCP
جزییات دوره
4h 20m
54
Pluralsight (پلورال سایت) Pluralsight (پلورال سایت)
(آخرین آپدیت)
-
از 5
دارد
دارد
دارد
Google Cloud
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Google Cloud Google Cloud

ایجاد تحول دیجیتال با آموزش درخواستی

Google Cloud آموزش و گواهینامه های درخواستی را در فناوری های ابری در حال ظهور ارائه می دهد.

Google Cloud با صدها آزمایشگاه، دوره و نشان مهارت، متخصصان را قادر می‌سازد تا مهارت‌های ابری حیاتی را با سرعت خودشان ایجاد کنند. آزمایشگاه‌های عملی این شرکت اعتبارنامه‌های موقتی را به منابع واقعی ابر ارائه می‌دهند، بنابراین افراد می‌توانند Google Cloud را با استفاده از چیز واقعی یاد بگیرند. فراگیران همچنین می توانند با کسب گواهینامه های Google Cloud و/یا نشان های مهارتی که می توانند با شبکه خود به اشتراک بگذارند، تخصص خود را تأیید کنند.

در وب‌سایت رسمی Google Cloud بیشتر بیاموزید.