Deep Learning on Windows: Budowanie systemów głębokiego uczenia w systemie Microsoft Windows

Ocena:   (5,0 na 5)

Deep Learning on Windows: Budowanie systemów głębokiego uczenia w systemie Microsoft Windows (Thimira Amaratunga)

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows

Zawartość książki:

​.

Rozdział 1: Od czego zacząć głębokie uczenie

Cel rozdziału:Dowiedz się, jakie narzędzia są dostępne dla zadań głębokiego uczenia i wizji komputerowej. Dowiedz się, co czytelnik musi wziąć pod uwagę w odniesieniu do narzędzi, systemu operacyjnego i sprzętu.

Liczba stron: 20

Podtematy

1. Czy możemy budować modele głębokiego uczenia w systemie Windows?

2. Język programowania - Python.

3. Zarządzanie pakietami i środowiskiem - Anaconda.

4. Biblioteki narzędziowe Python dla głębokiego uczenia i wizji komputerowej.

5. Ramy głębokiego uczenia.

6. Biblioteki Computer Vision.

7. Optymalizatory i akceleratory.

8. Co ze sprzętem?

9. Zalecane konfiguracje sprzętu komputerowego.

Rozdział 2: Konfiguracja narzędzi.

Cel rozdziału:Instrukcje krok po kroku dotyczące instalowania, konfigurowania i rozwiązywania problemów z wymaganymi narzędziami.

Liczba stron: 35

Podtematy:

1. Instalacja Visual Studio z obsługą C++.

2. Instalacja CMake.

3. Instalacja Anaconda Python.

4. Konfiguracja środowiska Conda i bibliotek Python.

5. Instalowanie TensorFlow.

6. Instalowanie Keras w wersji multi-backend.

7. Instalacja OpenCV.

8. Instalacja Dlib.

9. Weryfikacja instalacji.

10. Kroki opcjonalne.

11. Rozwiązywanie problemów.

12. Podsumowanie.

Rozdział 3: Tworzenie pierwszego modelu głębokiego uczenia w systemie Windows.

Cel rozdziału:Przewodnik kodowania krok po kroku dotyczący budowy pierwszego modelu klasyfikacji obrazów za pomocą konwolucyjnej sieci neuronowej "hello world".

Liczba stron: 20.

Podtematy:

1. Co to jest zbiór danych MNIST?

2. Model LeNet.

3. Zbudujmy nasz pierwszy model.

4. Uruchamianie naszego modelu.

5. Co można zrobić dalej?

Rozdział 4: Zrozumienie tego, co zbudowaliśmy.

Cel rozdziału: Poznanie wewnętrznego działania konwolucyjnej sieci neuronowej.

Liczba stron: 20.

Podtematy:

1. Obrazy cyfrowe.

2. Konwolucje.

3. Funkcja nieliniowości.

4. Łączenie.

5. Klasyfikator (w pełni połączona warstwa)

6. Jak to wszystko się łączy?

Rozdział 5: Wizualizacja modeli.

Cel rozdziału:Zrozumienie sposobów wizualizacji wewnętrznego działania modeli głębokiego uczenia się, umożliwiając czytelnikowi wykorzystanie tej wiedzy do budowania złożonych modeli.

Liczba stron: 20.

Podtematy:

1. Dlaczego wizualizacja modeli jest przydatna.

2. Korzystanie z funkcji plot_model w Keras.

3. Używanie Netron do wizualizacji struktur modeli.

4. Wizualizacja filtrów konwolucyjnych.

Rozdział 6: Transfer Learning

Budowanie systemów głębokiego uczenia, które rozwiązują praktyczny problem, jest zwykle utrudnione ze względu na trudności w gromadzeniu danych treningowych i zarządzaniu nimi. Zwykle jest to al.

Dodatkowe informacje o książce:

ISBN:9781484264300
Autor:
Wydawca:
Oprawa:Miękka oprawa
Rok wydania:2020
Liczba stron:338

Zakup:

Obecnie dostępne, na stanie.

Inne książki autora:

Deep Learning on Windows: Budowanie systemów głębokiego uczenia w systemie Microsoft Windows - Deep...
​.Rozdział 1: Od czego zacząć głębokie...
Deep Learning on Windows: Budowanie systemów głębokiego uczenia w systemie Microsoft Windows - Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows
Build Deeper: Droga do głębokiego uczenia się - Build Deeper: The Path to Deep Learning
Nowe wydanie 2019. Build Deeper to kompletny i...
Build Deeper: Droga do głębokiego uczenia się - Build Deeper: The Path to Deep Learning

Prace autora wydały następujące wydawnictwa:

© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)