Tutorials

Bildklassifizierung

• MNIST auf Cloud TPU ausführen (TF 2.x)

  MNIST-Bildklassifizierungsmodell mit TensorFlow, optimiert für die Ausführung in der Cloud TPU

• ResNet auf Cloud TPU trainieren (TF 2.x)

  ResNet-Bildklassifizierungsmodell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

• Keras ResNet-RS auf Cloud TPU trainieren (TF 2.x)

  Keras ResNet-RS-Modell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

• ResNet in der Cloud TPU trainieren (PyTorch)

  ResNet-Bildklassifizierungsmodell mit PyTorch, optimiert für die Ausführung auf Cloud TPU

• EfficientNet auf Cloud TPU trainieren (TF 2.x)

  EfficientNet-Bildklassifizierungsmodell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

Objekterkennung

• RetinaNet auf Cloud TPU trainieren (TF 2.x)

  RetinaNet-Objekterkennungsmodell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

• ShapeMask auf Cloud TPU trainieren (TF 2.x)

  Ein ShapeMask-Objekterkennungsmodell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

• Mask RCNN auf Cloud TPU trainieren (TF 2.x)

  Mask RCNN-Modell mit TensorFlow, optimiert für die Ausführung auf Cloud TPU

Empfehlungssysteme

• DLRM-Modell auf Cloud TPU (PyTorch) trainieren

  Eine Anleitung zum Trainieren des PyTorch DLRM-Modells auf Cloud TPU.

• DLRM- und DCN-Modelle auf Cloud TPU trainieren (TF 2.x)

  Leitfaden für das Training von DLRM- und DCN v2-Rankingmodellen für Aufgaben wie die CTR-Vorhersage (Click-through-Rate, Klickrate).

• Trainieren eines neuronalen Modells zur Zusammenarbeit in Cloud TPU (TF 2.x)

  Implementierung des Frameworks für die neuronale Collaborative Filterung (NCF) mit dem Neural-Matrix-Faktorisierungsmodell (NeuMF)

Verteilte Verarbeitung auf einem Pod

• Modelle auf Cloud TPU Pods (PyTorch) trainieren

  ResNet-50-Bildklassifizierungsmodell mit PyTorch, optimiert für die Ausführung auf einem Cloud TPU Pod

Natural Language Processing

• BERT-Feinabstimmung mit Cloud TPU: Satz- und Satzpaar-Klassifizierungsaufgaben (TF 2.x)

  Anleitung zur Verwendung von BERT (Bidirectional Encoder Representations from Transformers) mit Cloud TPU

• FairSeq RoBERTa vor dem Training auf Cloud TPU (PyTorch) vor dem Training

  Eine Anleitung zum Vortrainieren der FairSeq-Version des RoBERTa-Modells auf Cloud TPU mit dem öffentlichen Wikitext-103-Dataset.

T2T Transformer

• Transformer auf Cloud TPU trainieren (TF 2.x)

  Eine Anleitung zum Trainieren des Tensor2Tensor-Modells auf Cloud TPU für die deutsch-englische Übersetzung.

• FairSeq Transformer auf Cloud TPU (PyTorch) trainieren

  Eine Anleitung zum Trainieren der FairSeq-Version des Transformer-Modells auf Cloud TPU und zum Ausführen der WMT 18-Übersetzungsaufgabe vom Englischen ins Deutsche.

Migration

• Migration zu TPUEstimator API

  In dieser Anleitung wird beschrieben, wie Sie ein Modellprogramm, das die Estimator API verwendet, in ein Modellprogramm umwandeln, das die TPUEstimator API verwendet.