培训关于批处理AI的分布式培训
此仓库是有关如何使用Batch AI以分布式方式训练CNN模型的教程。 涵盖的场景是图像分类，但是该解决方案可以推广到其他深度学习场景，例如分段和对象检测。
图像分类是计算机视觉应用中的常见任务，通常通过训练卷积神经网络（CNN）来解决。 对于具有大型数据集的大型模型，单个GPU的训练过程可能需要数周或数月。 在某些情况下，模型太大，以致于无法在GPU上放置合理的批处理大小。 在这些情况下使用分布式培训有助于缩短培训时间。 在此特定方案中，使用Horovod在ImageNet数据集以及合成数据上训练ResNet50 CNN模型。 本教程演示了如何使用三个最受欢迎的深度学习框架来完成此任务：TensorFlow，Keras和PyTorch。 有许多方法可以以分布式方式训练深度学习模型，包括数据同步和基于同步和异步更新的模型并行方法。 当前，最常见的场景是与同步更新并行的数据-这是最容易实现的，并且对于大多数用例而言已经足够。 在具有同步更新的数据并行分布式训练中，该模型在N个硬件设备之间复制，并且一小批训练样本被划分为N个微批次（参见图2）。 每个设备都
2021-02-01 14:36:09
437KB
1
inet--VGG--Very deep convolutional networks.pdf
2021-02-01 11:05:39
227KB
1
Texture Synthesis Using Convolutional Neural Networks
2021-01-28 00:46:49
17.6MB
ImageNet classification with deep convolutional neural networks 中文翻译
2020-02-13 03:02:37
590KB
1
Visualizing and Understanding Convolutional Networks 译文（“看懂”卷积神经网络）
2019-12-21 21:54:53
2.03MB
1
Tree-Based Convolutional Neural Networks，Lili Mou • Zhi Jin。2018年新书，介绍基于树构造的卷积神经网络。
2019-12-21 21:38:19
2.71MB
1
A Guide to Convolutional Neural Networks for Computer Vision-Morgan & Claypool(2018).pdf
2019-12-21 21:23:22
6.28MB
1
2017 Deep Learning and Convolutional Neural Networks for Medical Image Computing.pdf
2019-12-21 21:00:15
13.71MB
1
The state-of-the-art methods used for relation classification are primarily based on statistical machine learning, and their performance strongly depends on the quality of the extracted features. The extracted features are often derived from the output of pre-existing natural language processing (NLP) systems, which leads to the propagation of the errors in the existing tools and hinders the performance of these systems.
2019-12-21 21:00:14
833KB
1