Tack för att du skickade din fråga! En av våra teammedlemmar kontaktar dig snart.
Tack för att du skickade din bokning! En av våra teammedlemmar kontaktar dig snart.
Varaktighet 14 timmar (2 dagar)
Kursplan
MATLAB Miljö för Djupinlärning & GPU-validering
- Arkitektur och arbetsflöde för Deep Learning Toolbox
- Kontrollera GPU-tillgänglighet, CUDA/cuDNN-kompatibilitet och drivrutinskonfiguration
- Konfigurera parallella arbetare, minneshantering och behärska grunderna i
gpuArray - Laboratorium 1: Miljövalidering och köra ditt första GPU-ackelererade djupinlärningsskript
Konstruktioner för Djupinlärning i MATLAB
- Nätverkslager: konvolution, pooling, batch-norm, dropout, residual och täta lager
- Grundläggande om
dlarray,dlnetworkoch anpassade träningslooper - Förlustfunktioner, optimerare (Adam, SGD, RMSProp) och strategier för inlärningshastighetsplanering
- Visualisering av arkitekturer, viktsfördelningar och gradientflöde för felsökning
- Laboratorium 2: Bygga ett anpassat
dlnetworkfrån grunden och felsöka lagerinteraktioner
Designa CNN:er för Bildigenkänning
- CNN-designmönster: funktionsextrahering, rumsliga hierarkier och mottagningsfält
- Överföringsinlärning: dra nytta av förtränade nätverk såsom ResNet, EfficientNet och MobileNet
- Dataaugmenteringspipeliner med
imageDatastore,augmentedImageDatastoreoch anpassade omvandlingar - Laboratorium 3: Träna ett CNN från grunden på ett anpassat dataset för bildklassificering med augmentation
Automatiserad Datamärkning & Reproviderbara Pipelines
- Utnyttja MATLABs aktiva inlärningsverktyg och semiövervakad märkning
- Importera och exportera annotationer (COCO, Pascal VOC, YOLO, CSV)
- Bygg versionskontrollerade, parametriserade skript för dataförberedelse
- Laboratorium 4: Automatisera arbetsflödet för märkning och integrera det i ett träningskript
Skalbar träning: Flera GPU:er, Moln & Kluster
- Strategier för träning med flera GPU:er: justering av batchstorlek, gradientackumulering och dataparallelism
- Distribuerad träning med MATLAB Parallel Server och lokala kluster
- Arbetsflöden för molnträning (AWS, Azure, GCP) via MATLABs molnberäkningsprofiler
- Övervakning av träning, checkpointing och teknik för hyperparameteroptimering
- Laboratorium 5: Skalera en modell till en flern-GPU/molnuppsättning och profilera träningens genomsnittshastighet
Korsramverksinteroperabilitet & Modellikbyte
- Importera förtränade Caffe- och TensorFlow/Keras-modeller till MATLAB
- Validera noggrannhetsparitet och anpassa arkitekturer för MATLAB-arbetsflöden
- Exportera modeller till ONNX, TensorFlow eller Core ML för plattformsoberoende distribution
- Laboratorium 6: Importera en TF-Keras-modell, finjustera den i MATLAB och exportera till ONNX
Avslutande Projekt & Produktionsberedskap
- Slut-i-slut-pipeline: datainkörning, träning, validering, optimering och distribution
- Modellkomprimering: beskärning, kvantisering och kodgenerering med GPU Coder
- Bästa praxis för reproducerbarhet: loggning, fröinställning och delning av MATLAB-appar för djupinlärning
- Avslutande projekt: Bygg, träna, optimera och exportera ett komplett system för bildigenkänning skräddarsytt efter ditt specifika område
För att begära en skräddarsydd kursplan för denna utbildning, vänligen kontakta oss.
Krav
- Duglighet i MATLAB (syntax, programmeringsarbetsflöden, förtroende med verktygslådor)
- Ingen tidigare erfarenhet av datavetenskap eller djupinlärning krävs
- Tillgång till en lokalt GPU-utrustad arbetsstation (CUDA-kompatibel) eller godkänt molnkluster för direkta laboratorier
Publik
- Utvecklare & mjukvaruingenjörer
- Forskningsingenjörer & domänexperter
- Team som övergår från traditionell signal-/bildbehandling till AI-drivna arbetsflöden
Vittnesmål (2)
Att hjälpa dem som aldrig har använt AI att uppnå bättre precision genom upprepade anpassningar av prompts, samt uppmuntra erfarna användare att utforska olika strategier för att använda tekniken.
Matthew Gay - Tarsus Pharmaceuticals
Kurs - Artificial Intelligence (AI) Overview
Maskintolkat
Träningen var välorganiserad och noggrant planerad, och jag kom ut ur den med systematisk kunskap och en god översikt av de ämnen vi behandlade.
Magdalena - Samsung Electronics Polska Sp. z o.o.
Kurs - Deep Learning with TensorFlow 2
Maskintolkat
