Ecole et Challenge Deep Learning ROMEO - 23-25 janvier 2017

 

 

Formation : Deep Learning avec DGX-1

Lieu : Reims, Lycée Roosevelt,10 Rue du Président Franklin Roosevelt, 51100 Reims  (Proche Gare)

Batiment : Salle A195 (A votre arrivée, retirer votre badge à l'accueil. Enuite, traverser le Hall, prendre à gauche en sortant, rejoindre l'escalier situé en face et se rendre au premier étage. Prendre le couloir sur la gauche. La salle A195 est la première à droite.)

Date : du 23 au 25 janvier,

Tarif : 170 € pour les académiques et 1000 € pour les entreprises : Les frais comprennent les déjeuners, les pauses ainsi que le diner du 24 janvier. L'inscription est gratiute pour les doctorants de la COMUE Université de Champagne.

Inscription close (la capacité de la salle est atteinte) : Formulaire d'inscription 

Pour être informé de nos prochains événement, inscrivez-vous à notre Newsletter

 

 

Le Centre de Calcul Régional ROMEO et NVIDIA proposent une formation dédiée au Deep Learning, du 23 au 25 janvier 2017 à Reims,  Lycée Roosevelt. Cette formation formation fait suite à la première formation d'initiation et est destinée à la fois aux universitaires et entreprises qui souhaitent découvrir le Deep Learning et en expérimenter les capacités dans un environnement NVIDIA / GDX-1 ainsi qu'aux participants de la première écore, dans le cadre d'un approfondissement des connaissances et dans le cadre d'un challenge.

 

Une partie des sessions aura lieu en langue anglaise.

 

Pour une version numérique de l'affiche : pdf

 

Planning :

 

Lundi 23 janvier :

 

9h00 : Accueil / Café

9h30 : Formation : session 1

11h30 : Déjeuner

13h00 : Formaton : session 2

17h30 : fin de la session 2

 

Mardi 24 janvier :

 

8h30 : Accueil / Café

9h00 : Formation : session 3

11h30 : Déjeuner

13h00 : Formaton : session 4

17h00 : fin de la session 2

18h00 : Début de Social event / Diner (Centre Ville de Reims)

 

Mercredi 25 janvier :

 

8h30 : Accueil / Café

9h00 : Formation : session 5

11h30 : Déjeuner

13h00 : Formaton : session 6

16h30 : fin de la formation

 

 

Programme :

Présentation du Centre de Calcul ROMEO

Introduction to NVIDIA software et hardware for Deep Learning

Introduction to Deep Learning

In this interactive class we will introduce the rapidly developing technology of Deep Learning accelerated by GPUs. Recent advances in Deep Learning have led to a step change in performance in a number of machine perception tasks including visual perception, speech recognition and natural language understanding after decades of slow progress in these areas. The catalyst for this progress is the advent of big data via the internet, algorithmic advances and dense computation via GPUs. We will tour the most popular software frameworks for Deep Learning with goal of helping you decide which framework best suits your application needs as a researcher or developer. No prior knowledge of Deep Learning is required.

 

Getting Started with Deep Learning

Train LeNet with MNIST and get better and better results (we have done this one)
Deep learning is giving machines near human levels of visual recognition capabilities and disrupting many applications by replacing hand-coded software with predictive models learned directly from data. This lab introduces the machine learning workflow and provides hands-on experience with using deep neural networks (DNN) to solve a real-world image classification problem. You will walk through the process of data preparation, model definition, model training and troubleshooting, validation testing and strategies for improving model performance. You will also see the benefits of GPU acceleration in the model training process. On completion of this lab you will have the knowledge to use NVIDIA DIGITS to train a DNN on your own image classification dataset.

 

Deep Learning Network Deployment

Deep learning software frameworks leverage GPU acceleration to train deep neural networks (DNNs). But what do you do with a DNN once you have trained it? The process of applying a trained DNN to new test data is often referred to as ‘inference’ or ‘deployment’. In this lab you will test three different approaches to deploying a trained DNN for inference. The first approach is to directly use inference functionality within a deep learning framework, in this case DIGITS and Caffe. The second approach is to integrate inference within a custom application by using a deep learning framework API, again using Caffe but this time through it’s Python API. The final approach is to use the NVIDIA High PerformanceGPU Inference Engine (TensorRTGIE) which will automatically create an optimized inference run-time from a trained Caffe model and network description file. You will learn about the role of batch size in inference performance as well as various optimizations that can be made in the inference process. You’ll also explore inference for a variety of different DNN architectures trained in other DLI labs.

Getting Started with Caffe for Deep Learning

Caffe is a Deep Learning framework developed by the Berkeley Vision and Learning Center (BVLC) and by a large community of open-source contributors. Caffe allows the user to define, train and deploy Deep Neural Networks (DNNs) through accessible command line, Python and MATLAB interfaces. Caffe is fast due to integrated GPU acceleration. In this class we will introduce the following aspects of Caffe, demonstrated through a practical DNN training and deployment example

 

Journée Digits Object Detection et Segmentation

Torch, Approaches to Object Detection using DIGITS, Detecting Whale Faces using Object Detection and NVIDIA DIGITS

 

Introduction to Recurring Neural Networks (RNNs)

What are RNNs? - Simple example of Binary addition - RNN training with stochastic gradient descent (SGD) - Backpropagation through time (BPTT) -  Challenges such as "vanishing" and "exploding" gradients - Backprop in RNNs - Long Short Term Memory (LSTM)

 

Tensorflow with DeepDream by Google 

 

 

 

Challenge

Un challenge sera proposé pour ceux qui ont déja des connaissances en Deep Learning

 

Le planning et le programme se veullent définitifs. Le déroulé précis sera détaillé ultérieurement..

Hébergement

L'hébergement n'est pas compris dans les frais d'inscription. Nous vous conseillons de choisir un hotel en centre ville, qui vous permettra de profiter des charmes de la ville de Reims, en proximité avec la gare, la cathédrale ainsi que bars et restaurants de la place d'Erlon. Vous pourrez alors rejoindre le Lycée Roosevelt à pieds en quelques minutes de marche. Le Lycée Roosevelt est situé à 300 m. du Tramway (arrêt Boulingrin) .

Nous pouvons conseiller les hotels suivants : L'univers, le Crystal, le Bristol ou le Cecyl. Ainsi que le B&B centre gare et le Residhome Reims Centre bien qu'ils soient un peu décentrés.

 

Environnement

Chaque participant aura un PC fixe à se disposition.

 

Bon de commande ou chèque à envoyer à Myriam Baltazart - Direction de la Recherche - Université de Reims Champagne-Ardenne - 9 Bd de la Paix - Villa douce - 51097 Reims cedex (0326913951 ou myriam.baltazart-boucherit@univ-reims.fr) en précisant la référence DL-ROMEO.

Pour un virement, merci d`indiquer, dans le libellé du virement, le nom et prénom de la personne inscrite et la référence DL-ROMEO.
Lien vers notre RIB : https://colloques.univ-reims.fr/colloque/pdf/20062013.pdf  et vers le SIRET