Recenze čtenářů
Aktuálně nejsou k dispozici žádné recenze čtenářů. Hodnocení je založeno na 2 hlasů.
Původní název:
Deep Belief Nets in C++ and Cuda C: Volume 2: Autoencoding in the Complex Domain
Obsah knihy:
Objevte základní stavební kameny běžné a výkonné formy hluboké sítě víry: autoenkodéru. Přenesete toto téma za hranice současného využití tím, že jej rozšíříte na komplexní doménu pro aplikace zpracování signálů a obrazů. Kniha Deep Belief Nets in C++ and CUDA C: Volume 2 zahrnuje také několik algoritmů pro předzpracování časových řad a obrazových dat. Tyto algoritmy se zaměřují na vytváření prediktorů v komplexní doméně, které jsou vhodné pro vstup do autoenkodéru v komplexní doméně. Nakonec se seznámíte s metodou vkládání informací o třídě do vstupní vrstvy omezeného Boltzmannova stroje. To usnadňuje generativní zobrazení vzorků z jednotlivých tříd namísto celého rozdělení dat. Možnost vidět vlastnosti, které se model naučil pro každou třídu zvlášť, může být neocenitelná.
Na každém kroku vám tato kniha poskytne intuitivní motivaci, souhrn nejdůležitějších rovnic relevantních pro dané téma a vysoce komentovaný kód pro vláknové výpočty na moderních procesorech i masivní paralelní zpracování na počítačích s grafickými zobrazovacími kartami podporujícími CUDA.
Co se naučíte
⬤ Kód pro hluboké učení, neuronové sítě a umělou inteligenci pomocí jazyků C++ a CUDA C.
⬤ Provádějte předzpracování signálu pomocí jednoduchých transformací, Fourierových transformací, Morletových waveletů a dalších.
⬤ Používejte Fourierovu transformaci pro předzpracování obrazu.
⬤ Zavedení automatického kódování pomocí aktivace v komplexní oblasti.
⬤ Práce s algoritmy pro výpočet gradientu CUDA.
⬤ Používejte operační příručku DEEP.
Pro koho je tato kniha určena
Těm, kteří mají alespoň základní znalosti neuronových sítí a nějaké předchozí zkušenosti s programováním, ačkoli se doporučuje znalost jazyka C++ a CUDA C.
