Поделиться через

примеры CNTK

  • Статья

Руководства/ и примеры/ папки содержат различные примеры конфигураций для сетей CNTK с помощью API Python, C# и BrainScript. Примеры структурированы по темам в image, Распознавание речи, speech и т. д. Чтобы приступить к работе с CNTK мы рекомендуем руководства в папкеTutorials.

Примеры Python

Лучший способ узнать об ИНТЕРФЕЙСАх API — просмотреть следующие примеры в каталоге [CNTK клонировать корень]/Examples:

  • MNIST: Полностью подключенная модель перенаправления каналов для классификации образов MNIST. (следуйте инструкциям в разделе Examples/Image/DataSets/MNIST/README.md)
  • TrainResNet_CIFAR10: Модель resNet классификации изображений для обучения набора данных образа CIFAR. (следуйте инструкциям в разделе Examples/Image/DataSets/CIFAR-10/README.md, чтобы получить набор данных CIFAR и преобразовать его в поддерживаемый формат CNTK)
  • Подкрепление: Обучение с подкреплением с помощью нейронных сетей Deep Q (DQN).
  • SequenceClassification: Модель классификации последовательностей LSTM для текстовых данных.
  • Sequence2Sequence: Последовательность для последовательности модели преобразования grapheme-to-phoneme, которая обучает корпус CMUDict.
  • NumpyInterop — пример взаимодействия NumPy, показывающий, как обучить простую сеть пересылки каналов с обучающими данными, которые передаются с помощью массивов NumPy.
  • LanguageUnderstanding — Распознавание речи.
  • CharacterLM: Языковая модель уровня символов LSTM для прогнозирования следующего выходного символа в последовательности.
  • LightRNN: Реализация LightRNN в CNTK.
  • WordLMWithSampledSoftmax: Языковая модель уровня слова с примерами softmax.
  • Видео — базовые трехмерные сети для глубокого обучения в видеофайлах.

Общие сведения обо всех примерах и руководствах также приведены на странице коллекции моделей Cognitive Toolkit.

Примеры C#

На странице CNTK Training with C# Examples (Примеры) приведены примеры создания, обучения и проверки моделей DNN.

Примеры оценки

На странице CNTK Примеры Eval приведены примеры оценки предварительно обученных моделей с помощью C++, C#/.NET, Python и Java.