Ocena:
Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.
Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows
.
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.
© 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)