Kurzusleírás

Kezdő lépések

  • Beállítás és telepítés

TensorFlow Alapok

  • Változók létrehozása, inicializálása, mentése és visszaállítása TensorFlow
  • Etetés, olvasás és előtöltés TensorFlow Adatok
  • Hogyan használjuk a TensorFlow infrastruktúrát a modellek méretarányos betanításához
  • Modellek megjelenítése és értékelése TensorBoard segítségével

TensorFlow Mechanika 101

  • Készítse elő az adatokat
    • Letöltés
    • Bemenetek és helyőrzők
  • Készítse el a grafikont
    • Következtetés
    • Veszteség
    • Edzés
  • Tanítsd meg a modellt
    • A Grafikon
    • Az ülésszak
    • Vonathurok
  • Értékelje a modellt
    • Építsd meg az Eval Graph-ot
    • Eval kimenet

Speciális használat

  • Menetelés és sorok
  • Elosztott TensorFlow
  • A Documentation írása és a modell megosztása
  • Adatolvasók testreszabása
  • GPUs használatával
  • TensorFlow Modellfájlok kezelése

TensorFlow Tálalás

  • Bevezetés
  • Alapvető kiszolgálási útmutató
  • Speciális kiszolgálási útmutató
  • Kiszolgálási kezdeti modell bemutatója

A SyntaxNet használatának megkezdése

  • Elemzés standard bemenetről
  • Korpusz annotálása
  • A Python szkriptek beállítása

NLP Pipeline építése a SyntaxNet segítségével

  • Adatok beszerzése
  • Beszédrész-címkézés
  • A SyntaxNet POS Tagger betanítása
  • Előfeldolgozás a címkézővel
  • Függőség-elemzés: Átmeneti alapú elemzés
  • Elemző betanítása 1. lépés: Helyi előképzés
  • Elemző betanítása 2. lépés: Globális képzés

A Word-asok vektoros ábrázolásai

  • Motiváció: Miért tanuljunk szóbeágyazásokat?
  • Növelje a zajkontrasztív tréninget
  • A Skip-gram modell
  • Grafikon építése
  • A modell képzése
  • A tanult beágyazások megjelenítése
  • Beágyazások értékelése: Analógikus érvelés
  • A megvalósítás optimalizálása

Követelmények

A python gyakorlati ismerete

 35 Órák

Résztvevők száma


Ár résztvevőnként

Vélemények (3)

Közelgő kurzusok

Rokon kategóriák