Zurück

Vom Prototyping zur Produktion – Portabilität für Deep-Learning-Modelle

Für Deep Learning gibt es mit TensorFlow und PyTorch attraktive Frameworks – zur Modellierung und zum Prototyping, aber auch zur Skalierung und Produktivierung. Darf es dabei nur ein Framework sein? Oder haben wir vielmehr die Flexibilität, produktiv mehrere Frameworks einzusetzen? Und wie kommt man überhaupt von Daten und anfänglichen Modellideen schnell und flexibel zum Deployment?

In meinem Vortrag demonstriere ich die Kombination von PyTorch und TensorFlow. Anhand des ONNX-Formats (Open Neural Network eXchange) und GraphPipe, zweier Open-Source-Techniken, demonstriere ich die Portabilität sowie das Deployment von Deep-Learning-Modellen in der Praxis.

Vorkenntnisse

* Grundkenntnisse von künstlichen neuronalen Netzen (Komponenten, Training, Evaluation)
* Erste Anwendungserfahrung mit Deep-Learning-Frameworks
* Grundverständnis der Client-Server-Kommunikation

Lernziele

* Befähigung, schnell und einfach Prototypen zu testen und zu skalieren
* Motivation, ONNX und GraphPipe kennenzulernen und zu nutzen

Speaker

Marcel Kurovski ist Big Data Scientist für die Kölner inovex GmbH. Er hat sich auf Deep Learning und dessen Anwendung für Recommender-Systeme spezialisiert. Während seines Studiums des Wirtschaftsingenieurwesens hatte er einen Fokus auf Machine Learning, Simulation und Operations Research gesetzt und ist fasziniert von Künstlicher Intelligenz.

Gold-Sponsor

Silber-Sponsoren

Bronze-Sponsoren

JETZT SPONSOR WERDEN

M3-Newsletter

Sie möchten über die Minds Mastering Machines
auf dem Laufenden gehalten werden?

Anmelden