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
Nos Clients témoignent (4)
Working from first principles in a focused way, and moving to applying case studies within the same day
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Artificial Neural Networks, Machine Learning, Deep Thinking
That it was applying real company data. Trainer had a very good approach by making trainees participate and compete
Jimena Esquivel - Zakład Usługowy Hakoman Andrzej Cybulski
Formation - Applied AI from Scratch in Python
It felt like we were going through directly relevant information at a good pace (i.e. no filler material)
Maggie Webb - Department of Jobs, Regions, and Precincts
Formation - Introduction to the use of neural networks
I liked the opportunities to ask questions and get more in depth explanations of the theory.