Bagikan melalui


Contoh CNTK

Folder Tutorials/ dan Examples/ berisi berbagai konfigurasi contoh untuk jaringan CNTK menggunakan Python API, C# dan BrainScript. Contohnya disusun berdasarkan topik ke dalam Gambar, Pemahaman Bahasa, Ucapan, dan sebagainya. Untuk mulai menggunakan CNTK, kami merekomendasikan tutorial di Tutorials folder .

Contoh Python

Cara terbaik untuk mempelajari tentang API adalah dengan melihat contoh berikut di direktori [CNTK clone root]/Examples:

  • MNIST: Model feed-forward yang terhubung sepenuhnya untuk klasifikasi gambar MNIST. (ikuti instruksi dalam Contoh/Gambar/DataSets/MNIST/README.md)
  • TrainResNet_CIFAR10: Model ResNet klasifikasi gambar untuk pelatihan pada himpunan data gambar CIFAR. (ikuti instruksi dalam Contoh/Gambar/DataSets/CIFAR-10/README.md untuk mendapatkan himpunan data CIFAR dan mengonversinya ke format yang didukung CNTK)
  • PenguatanPelajaran: Pembelajaran penguatan dengan Deep Q Neural Networks (DQN).
  • SequenceClassification: Model klasifikasi urutan LSTM untuk data teks.
  • Sequence2Sequence: Urutan untuk urutan model terjemahan grapheme-to-phoneme yang dilatih pada korpus CMUDict.
  • Contoh interoperabilitas NumpyInterop - NumPy yang menunjukkan cara melatih jaringan feed-forward sederhana dengan data pelatihan yang diumpankan menggunakan array NumPy.
  • LanguageUnderstanding - Pemahaman Bahasa.
  • CharacterLM: Model bahasa tingkat karakter LSTM untuk memprediksi karakter output berikutnya secara berurutan.
  • LightRNN: Implementasi LightRNN di CNTK.
  • WordLMWithSampledSoftmax: Model bahasa tingkat kata dengan softmax sampel.
  • Video - Jaringan konvolusi 3D dasar untuk pembelajaran mendalam tentang tugas video.

Gambaran umum tentang semua contoh dan tutorial juga disediakan oleh halaman Cognitive Toolkit Model Gallery .

Contoh C#

Halaman Pelatihan CNTK dengan Contoh C# memberikan contoh yang menunjukkan cara membangun, melatih, dan memvalidasi model DNN.

Contoh Evaluasi

Halaman Contoh Evaluasi CNTK menyediakan contoh yang menunjukkan cara mengevaluasi model yang telah dilatih sebelumnya menggunakan C++, C#/.NET, Python, dan Java.