Plan du cours

Introduction

  • Chainer vs Caffe vs Torch
  • Vue d'ensemble des fonctionnalités et des composants de Chainer

Pour commencer

  • Comprendre la structure de l'unité didactique
  • Installer Chainer, CuPy et NumPy
  • Définir des fonctions sur des variables

Formation Neural Networks dans Chainer

  • Construction d'un graphe de calcul
  • Exécution des exemples de l'ensemble de données MNIST
  • Mise à jour des paramètres à l'aide d'un optimiseur
  • Traitement d'images pour évaluer les résultats

Travailler avec des GPUs dans Chainer

  • Mise en œuvre de réseaux neuronaux récurrents
  • Utilisation de plusieurs GPUs pour la parallélisation

Implémentation d'autres modèles de réseaux neuronaux

  • Définition des modèles RNN et exemples d'exécution
  • Génération d'images avec le Deep Convolutional GAN
  • Exemples d'exécution Reinforcement Learning

Dépannage

Résumé et conclusion

Pré requis

  • Une compréhension des réseaux de neurones artificiels
  • Familiarité avec les frameworks d'apprentissage profond (Caffe, Torch, etc.)
  • Expérience de la programmation en Python

Audience

  • Rechercheurs en IA
  • Développeurs
  14 heures

Nombre de participants



Prix par participant

Nos Clients témoignent (3)

Cours Similaires

Catégories Similaires