Kursplan

Introduktion till Torch

  • Som NumPy men med CPU och GPU implementering
  • Torchs användning inom maskininlärning, datorseende, signalbehandling, parallell bearbetning, bild, video, ljud och nätverk

Installera Torch

  • Linux, Windows, Mac
  • Bitmapi och Docker

Installera Torch-paket

  • Använda LuaRocks pakethanterare

Välja en IDE för Torch

  • ZeroBrane Studio
  • Eclipse plugin för Lua

Arbeta med Lua Scripting Language och LuaJIT

  • Lua:s integration med C/C++
  • Lua Syntax: datatyper, loopar och villkor, funktioner, funktioner, tabeller och fil-I/O.
  • Objektorientering och serialisering i Torch
  • Övning i kodning

Läsa in en datauppsättning i Torch

  • MNIST (MNIST)
  • CIFAR-10, CIFAR-100
  • Imagenet (på engelska)

Machine Learning i Torch

  • Deep Learning
    • Manuell extrahering av funktioner jämfört med faltningsnätverk
  • Övervakad och oövervakad inlärning
    • Bygga ett neuralt nätverk med Torch
  • N-dimensionella matriser

Image Analysis med Torch

  • Paket med avbildning
  • Tensor-biblioteket

Arbeta med REPL-tolken

Arbeta med Databases

Networking och Torch

GPU Stöd i Torch

Integrera Torch

  • C, Python och andra

Inbäddning Torch

  • iOS och Android

Andra ramverk och bibliotek

  • Facebooks optimerade djupinlärningsmoduler och behållare

Skapa ditt eget paket

Testning och felsökning

Släppa ditt program

Framtiden för AI och Torch

Sammanfattning och slutsats

Krav

  • Programming Erfarenhet på vilket språk som helst.
  • En allmän förtrogenhet med C/C++ hjälper.
  • Ett intresse för Artificial Intelligence (AI).

Publik

  • Mjukvaruutvecklare och programmerare som vill aktivera Machine och Deep Learning i sina applikationer
 21 timmar

Antal deltagare


Price per participant

Upcoming Courses

Relaterade Kategorier