Opinie czytelników
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Zawartość książki:
Odkryj podstawowe elementy składowe powszechnej i potężnej formy głębokiej sieci przekonań: autoenkodera. Temat ten wykracza poza obecne zastosowania, rozszerzając go na złożoną domenę do zastosowań związanych z przetwarzaniem sygnałów i obrazów. Deep Belief Nets in C++ and CUDA C: Volume 2 obejmuje również kilka algorytmów wstępnego przetwarzania szeregów czasowych i danych obrazu. Algorytmy te koncentrują się na tworzeniu predyktorów w domenie złożonej, które są odpowiednie dla danych wejściowych do autoenkodera w domenie złożonej. Na koniec poznasz metodę osadzania informacji o klasie w warstwie wejściowej ograniczonej maszyny Boltzmanna. Ułatwia to generatywne wyświetlanie próbek z poszczególnych klas, a nie całego rozkładu danych. Możliwość zobaczenia cech, których model nauczył się dla każdej klasy osobno, może być nieoceniona.
Na każdym etapie książka ta zawiera intuicyjną motywację, podsumowanie najważniejszych równań istotnych dla tematu oraz wysoce komentowany kod do obliczeń wątkowych na nowoczesnych procesorach, a także masowe przetwarzanie równoległe na komputerach z kartami graficznymi obsługującymi CUDA.
Czego się nauczysz
⬤ Kod do głębokiego uczenia, sieci neuronowych i sztucznej inteligencji przy użyciu C++ i CUDA C.
⬤ Przeprowadzanie wstępnego przetwarzania sygnałów przy użyciu prostych przekształceń, transformat Fouriera, falek Morleta i innych.
⬤ Wykorzystanie transformaty Fouriera do wstępnego przetwarzania obrazów.
⬤ Implementacja automatycznego kodowania poprzez aktywację w dziedzinie zespolonej.
⬤ Praca z algorytmami obliczeń gradientowych CUDA.
⬤ Korzystanie z instrukcji obsługi DEEP.
Dla kogo jest ta książka
Dla tych, którzy mają przynajmniej podstawową wiedzę na temat sieci neuronowych i pewne wcześniejsze doświadczenie w programowaniu, choć zalecana jest znajomość C++ i CUDA C.
