Mais amostras

Além dos tutoriais disponíveis neste site de documentação, há vários modelos de aprendizado de máquina de referência otimizados para serem executados no Cloud TPU. Esta página traz um resumo dos outros modelos e indicações de onde encontrá-los no GitHub.

Como conseguir exemplos

O código fonte dos modelos está disponível no GitHub. Confira o GitHub regularmente porque outros exemplos serão adicionados ao repositório no futuro.

Muitos dos modelos vêm pré-instalados na imagem da VM tf-1-14, que você pode configurar seguindo o guia de início rápido. Os modelos estão localizados nos seguintes diretórios na VM:

/usr/share/models/official/
/usr/share/tpu/

Classificação de imagens

DenseNet

O DenseNet é uma variação do modelo de classificação de imagens ResNet. Ele contém um conjunto completo ("denso") de conexões skip-layer. Veja o modelo do DenseNet otimizado para o Cloud TPU no GitHub. Essa exemplo é uma implementação do modelo de classificação de imagens DenseNet.

MobileNet

O MobileNet é um modelo de classificação de imagens que aproveita convoluções separáveis em profundidade e tem bom desempenho em dispositivos com limitação de energia, como celulares. Veja o modelo MobileNet v1 otimizado para o Cloud TPU no GitHub. Essa exemplo é uma implementação do modelo de classificação de imagens MobileNet.

O código do modelo é baseado no MobileNet_v1 do TensorFlow original com os seguintes ajustes:

  • interface da TPUEstimator
  • canal de processamento de dados para o ImageNet

SqueezeNet

O SqueezeNet é um modelo de classificação de imagens que é otimizado para menos parâmetros e tamanho de modelo muito menor, sem perder qualidade em comparação com os modelos de classificação de imagem atuais (AlexNet). Veja o modelo SqueezeNet otimizado para o Cloud TPU no GitHub. Essa exemplo é uma implementação do modelo de classificação de imagens SqueezeNet.

Geração de imagens

O projeto experimental DCGAN treina um modelo de redes adversárias generativas convolucionais profundas (DCGAN, na sigla em inglês) para gerar imagens baseadas nos conjuntos de dados MNIST e CIFAR-10.

O projeto inclui modelos geradores e discriminadores simples baseados nos modelos convolucional e desconvolucional apresentados no documento Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks.

Próximas etapas

Esta página foi útil? Conte sua opinião sobre:

Enviar comentários sobre…