Szkolenie: Zwiększanie wydajności sieci neuronowych
Szkolenie z wydajności sieci neuronowych uczy optymalizacji modeli deep learning, takich jak kwantyzacja, pruning, uczenie ciągłe i transfer learning, przygotowując do wdrażania nowoczesnych rozwiązań AI w środowiskach o ograniczonych zasobach
- Trenerzy praktycy
- Kameralne grupy
Czas trwania szkolenia:3 dni (24h)
Kod kursu:DL/ZWS
Zwiększanie wydajności sieci neuronowych
Cele szkolenia
Szkolenie przygotowuje do samodzielnego wdrażania i optymalizacji sieci neuronowych pod kątem wydajności obliczeniowej
Szkolenie uczy stosowania nowoczesnych algorytmów, takich jak kwantyzacja, pruning czy uczenie ciągłe, w praktycznych projektach
Szkolenie rozwija umiejętność analizy i rozwiązywania problemów związanych z efektywnością modeli głębokiego uczenia w różnych środowiskach
Dla kogo?
Szkolenie adresowane jest do programistów i inżynierów AI z doświadczeniem w głębokim uczeniu, wdrażających modele w środowiskach o ograniczonych zasobach
Przeznaczone dla specjalistów zajmujących się optymalizacją i implementacją sieci neuronowych na urządzeniach mobilnych, mikrokontrolerach lub w aplikacjach edge computing
Efekty kształcenia
Uczestnik analizuje i optymalizuje architektury sieci neuronowych pod kątem wydajności
Uczestnik wdraża techniki kwantyzacji i pruning w istniejących modelach
Uczestnik projektuje rozwiązania z wykorzystaniem uczenia ciągłego i transfer learning
Uczestnik rozpoznaje i rozwiązuje problemy związane z domain shift i niepełnymi danymi
Uczestnik stosuje mechanizmy early-exit i obliczenia warunkowe w praktyce
Uczestnik ocenia efektywność wdrożonych optymalizacji w środowiskach o ograniczonych zasobach
Wymagania
Od uczestników szkolenia wymagana jest znajomość podstaw działania sieci neuronowych oraz znajomość narzędzi do ich implementacji w języku Python (np. PyTorch)
W cenie otrzymasz:
Materiały szkoleniowe
Certyfikat ukończenia szkolenia
W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Program szkolenia
Wprowadzenie do zagadnienia efektywnych obliczeń w sieciach neuronowych
Podstawowe metody optymalizacji działania sieci neuronowych
Kwantyzacja wag
Pruning
Bezstratne uczenie maszynowe
Mechanizmy early-exit
Obliczenia warunkowe w sieciach neuronowych
Uczenie ciągłe
Problem katastroficznego zapominania
Scenariusze uczenia ciągłego: task-incremental, domain-incremental, class-incremental
Metody regularyzacyjne
Metody wykorzystujące powtarzanie danych (replay)
Uczenie na podstawie niepełnych danych
Działanie sieci neuronowych przy braku/niepełnych danych
Few-shot learning
Transfer learning
Uczenie sieci neuronowych w przypadku domain shift
Autorem szkolenia jest Tomasz Trzciński
Kieruję pracami zespołu zajmującego się widzeniem maszynowym CVLab na Politechnice Warszawskiej. Jestem również członkiem zespołu uczenia maszynowego GMUM na Uniwersytecie Jagiellońskim. Stanąłem na czele grupy Computer Vision w nowotworzonym centrum sztucznej inteligencji IDEAS NCBR. Stopień doktora habilitowanego uzyskałem na Politechnice Warszawskiej w 2020 r., doktora w zakresie wizji maszynowej na École Polytechnique Fédérale de Lausanne w 2014 r., a podwójny dyplom magisterski na Universitat…
Wybrane opinie
Przeczytaj pozytywne opinie pochodzące z ankiet satysfakcji z naszych szkoleń wypełnianych wyłącznie przez ich uczestników po realizacji usługi
