Temario del curso
Fundamentos de aprendizaje automático y redes neuronales recursivas (RNN)
- Redes neuronales (NN) y RNN
- Propagación inversa (Backpropagation)
- Memoria de corto y largo plazo (LSTM)
Fundamentos de TensorFlow
- Creación, inicialización, guardado y restauración de variables en TensorFlow
- Alimentación, lectura y precarga de datos en TensorFlow
- Uso de la infraestructura de TensorFlow para entrenar modelos a gran escala
- Visualización y evaluación de modelos con TensorBoard
Mecánica de TensorFlow 101
- Archivos del tutorial
- Preparación de los datos
- Descarga
- Entradas y marcadores de posición (Placeholders)
- Construcción del grafo
- Inferencia
- Pérdida (Loss)
- Entrenamiento
- Entrenamiento del modelo
- El grafo
- La sesión
- Bucle de entrenamiento
- Evaluación del modelo
- Construcción del grafo de evaluación
- Salida de evaluación
Uso avanzado
- Hilos y colas
- TensorFlow distribuido
- Escritura de documentación y compartición de modelos
- Personalización de lectores de datos
- Uso de GPUs¹
- Manipulación de archivos de modelos de TensorFlow
TensorFlow Serving
- Introducción
- Tutorial básico de servicio
- Tutorial avanzado de servicio
- Tutorial de servicio del modelo Inception
Redes neuronales convolucionales
- Visión general
- Objetivos
- Aspectos destacados del tutorial
- Arquitectura del modelo
- Organización del código
- Modelo CIFAR-10
- Entradas del modelo
- Predicción del modelo
- Entrenamiento del modelo
- Arranque y entrenamiento del modelo
- Evaluación de un modelo
- Entrenamiento de un modelo utilizando múltiples tarjetas GPU¹
- Ubicación de variables y operaciones en dispositivos
- Arranque y entrenamiento del modelo en múltiples tarjetas GPU
Aprendizaje profundo para MNIST
- Configuración
- Carga de datos MNIST
- Inicio de la sesión interactiva de TensorFlow
- Construcción de un modelo de regresión softmax
- Marcadores de posición (Placeholders)
- Variables
- Clase predicha y función de costo
- Entrenamiento del modelo
- Evaluación del modelo
- Construcción de una red convolucional multicapa
- Inicialización de pesos
- Convolución y agrupación (Pooling)
- Primera capa convolucional
- Segunda capa convolucional
- Capa densamente conectada
- Capa de salida (Readout)
- Entrenamiento y evaluación del modelo
Reconocimiento de imágenes
- Inception-v3
- C++
- Java
¹ Los temas relacionados con el uso de GPUs no están disponibles como parte de un curso remoto. Pueden impartirse en cursos presenciales, pero únicamente por acuerdo previo, y siempre que tanto el instructor como todos los participantes cuenten con laptops que tengan GPUs NVIDIA compatibles con Linux de 64 bits instalado (no proporcionado por NobleProg). NobleProg no puede garantizar la disponibilidad de instructores con el hardware requerido.
Requerimientos
- Python
Testimonios (1)
Very updated approach or CPI (tensor flow, era, learn) to do machine learning.
Paul Lee
Curso - TensorFlow for Image Recognition
Traducción Automática
