Computer Vision with GluonCV (German)

Resumen

In diesem Kurs erhalten Sie ein nützliches Verständnis der Komponenten eines konvolutionalen neuronalen Netzwerks (Convolutional Neural Network – CNN) wie Konvolutionen und Pooling-Ebenen usw. In diesem Kurs zeigen Alex Smola und Tong He, wie man einige Computer-Vision-Techniken mit GluonCV, einem Computer-Vision-Toolkit, implementiert.

Hinweis:

Dieser Kurs verfügt über lokalisierte Transkripte/Untertitel.

Der Vortrag ist auf Englisch. Um Untertitel anzuzeigen, klicken Sie auf die Schaltfläche CC in der rechten unteren Ecke des Players.

Zielgruppe

Dieser Kurs ist für folgende Zielgruppen konzipiert:

• Entwickler, die gängige Computer-Vision-Modelle implementieren möchten

Kursziele

Inhalte dieses Kurses:

• Zusammenfassen der verschiedenen Komponenten eines konvolutionalen neuralen Netzwerks wie Konvolutionen, Auffüllen und Kanäle
• Übersetzen der Komponenten in Code beim Erstellen eines neuronalen Netzwerks wie LeNet
• Importieren von Daten in einen Gluon Data Loader zum Training und zur Transformation

Voraussetzungen

Wir empfehlen, dass die Teilnehmer an diesem Kurs die folgenden Voraussetzungen erfüllen:

• Ein grundlegendes Verständnis von künstlichen neuronalen Netzwerken
• Ein grundlegendes Verständnis von linearen Algebra-Themen wie Matrizen, Matrizenmultiplikation und Skalarprodukten

Lehrmethode

Dieser Kurs wird bereitgestellt als:

• Digitales Training

Dauer

2 Stunden

Kursinhalt

In diesem Kurs werden die folgenden Konzepte behandelt:

• Konvolutionen
• Auffüllen und Schritt
• Kanäle
• Pooling
• LeNet
• Aktivierungsfunktionen
• DropOut
• Stapel-Normalisierung
• Blocks
• Der Fluch der letzten Ebene
• Residualnetzwerke
• Datenverarbeitung

University:

Provider:

AWS Skill Builder

Categories:

Computer Vision Courses, Linear Algebra Courses, GluonCV Courses

Materias