Visão Geral

Este Curso Deep Learning with Caffe, explora a aplicação do Caffe como uma estrutura de Deep Learning para reconhecimento de imagens usando MNIST como exemplo.

Objetivo

Ao participar do Curso Deep Learning with Caffe, os participantes aprenderão a:

• Entenda a estrutura e os mecanismos de implantação do Caffe
• Executar tarefas e configuração de instalação/ambiente de produção/arquitetura
• Avalie a qualidade do código, execute depuração e monitoramento
• Implemente produção avançada, como modelos de treinamento, implementação de camadas e registro

Publico Alvo

• Pesquisadores e engenheiros de Deep Learning interessados ​​em utilizar o Caffe como framework.

Materiais

Conteúdo Programatico

Installation

1. Docker
2. Ubuntu
3. RHEL / CentOS / Fedora installation
4. Windows

Caffe Overview

1. Nets, Layers, and Blobs: the anatomy of a Caffe model.
2. Forward / Backward: the essential computations of layered compositional models.
3. Loss: the task to be learned is defined by the loss.
4. Solver: the solver coordinates model optimization.
5. Layer Catalogue: the layer is the fundamental unit of modeling and computation – Caffe’s catalogue includes layers for state-of-the-art models.
6. Interfaces: command line, Python, and MATLAB Caffe.
7. Data: how to caffeinate data for model input.
8. Caffeinated Convolution: how Caffe computes convolutions.

New models and new code

1. Detection with Fast R-CNN
2. Sequences with LSTMs and Vision + Language with LRCN
3. Pixelwise prediction with FCNs
4. Framework design and future