Bewertung:
Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows
.
Kapitel 1: Wo Sie mit Deep Learning beginnen können
Ziel des Kapitels:Erfahren Sie, welche Tools für Deep Learning und Computer Vision Aufgaben verfügbar sind. Erfahren Sie, welche Überlegungen der Leser bezüglich der Tools, des Betriebssystems und der Hardware anstellen muss.
Seitenanzahl: 20
Unter - Themen
1. Können wir Deep-Learning-Modelle unter Windows erstellen?
2. Programmiersprache - Python.
3. Paket- und Umgebungsverwaltung - Anaconda.
4. Python Utility Libraries für Deep Learning und Computer Vision.
5. Deep Learning-Frameworks.
6. Computer Vision Bibliotheken.
7. Optimierer und Beschleuniger.
8. Was ist mit der Hardware?
9. Empfohlene PC-Hardware-Konfigurationen.
Kapitel 2: Einrichten Ihrer Tools.
Schritt-für-Schritt-Anleitung zur Installation, Konfiguration und Fehlerbehebung der erforderlichen Tools.
Anzahl der Seiten: 35
Unter - Themen:
1. Installieren von Visual Studio mit C++-Unterstützung.
2. Installieren von CMake.
3. Installieren von Anaconda Python.
4. Einrichten der Conda-Umgebung und der Python-Bibliotheken.
5. Installieren von TensorFlow.
6. Installation der Keras Multi-Backend Version.
7. Installieren von OpenCV.
8. Installation von Dlib.
9. Überprüfen der Installationen.
10. Optionale Schritte.
11. Fehlersuche.
12. Zusammenfassung.
Kapitel 3: Erstellen Ihres ersten Deep Learning-Modells unter Windows.
Ziel des Kapitels:Eine schrittweise Kodierungsanleitung für den Aufbau des ersten Bildklassifizierungsmodells eines faltigen neuronalen Netzes "Hallo Welt".
Anzahl der Seiten: 20.
Unter - Themen:
1. Was ist der MNIST-Datensatz?
2. Das LeNet-Modell.
3. Erstellen wir unser erstes Modell.
4. Ausführung unseres Modells.
5. Was können Sie als nächstes tun?
Kapitel 4: Verstehen, was wir gebaut haben.
Ziel des Kapitels: Lernen Sie die interne Funktionsweise eines neuronalen Faltungsnetzwerks kennen.
Anzahl der Seiten: 20.
Unter - Themen:
1. Digitale Bilder.
2. Konvolutionen.
3. Nicht-Linearitätsfunktion.
4. Pooling.
5. Klassifikator (vollständig verbundene Schicht)
6. Wie setzt sich das alles zusammen?
Kapitel 5: Visualisierung von Modellen.
Ziel des Kapitels:Verstehen, wie man die interne Funktionsweise von Deep-Learning-Modellen visualisieren kann, damit der Leser dieses Wissen zur Erstellung komplexer Modelle nutzen kann.
Anzahl der Seiten: 20.
Unterthemen:
1. Warum die Visualisierung von Modellen nützlich ist.
2. Die Verwendung der plot_model Funktion von Keras.
3. Die Verwendung von Netron zur Visualisierung von Modellstrukturen.
4. Visualisierung von Faltungsfiltern.
Kapitel 6: Transfer Learning
Kapitel Ziel:Die Entwicklung von Deep-Learning-Systemen, die ein praktisches Problem lösen, wird in der Regel durch die Schwierigkeit der Sammlung und Verwaltung von Trainingsdaten erschwert. Es ist normalerweise al.
| ISBN: | 9781484264300 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2020 |
| Seitenzahl: | 338 |
Derzeit verfügbar, auf Lager.
