Apprendimento profondo su Windows: Costruire sistemi di visione artificiale per l'apprendimento profondo su Microsoft Windows

Recensioni dei lettori

Attualmente non ci sono recensioni dei lettori. La valutazione si basa su 2 voti.

Titolo originale:

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

Contenuto del libro:

​.

Capitolo 1: Dove iniziare l'apprendimento profondo

Obiettivo del capitolo:Imparare a conoscere gli strumenti disponibili per l'apprendimento profondo e la computer vision. Imparare a conoscere le considerazioni che il lettore deve fare sugli strumenti, sul sistema operativo e sull'hardware.

N. di pagine: 20

Sotto-argomenti

1. È possibile costruire modelli di apprendimento profondo su Windows?

2. Linguaggio di programmazione - Python.

3. Gestione dei pacchetti e dell'ambiente - Anaconda.

4. Librerie di utilità Python per l'apprendimento profondo e la visione artificiale.

5. Framework per l'apprendimento profondo.

6. Librerie di visione artificiale.

7. Ottimizzatori e acceleratori.

8. E l'hardware?

9. Configurazioni hardware del PC consigliate.

Capitolo 2: Impostazione degli strumenti.

Obiettivo del capitolo:Istruzioni passo-passo su come installare, configurare e risolvere i problemi degli strumenti richiesti.

Numero di pagine: 35

Argomenti secondari:

1. Installazione di Visual Studio con supporto C++.

2. Installazione di CMake.

3. Installazione di Anaconda Python.

4. Impostazione dell'ambiente Conda e delle librerie Python.

5. Installazione di TensorFlow.

6. Installazione della versione multi-backend di Keras.

7. Installazione di OpenCV.

8. Installazione di Dlib.

9. Verifica delle installazioni.

10. Passi opzionali.

11. Risoluzione dei problemi.

12. Riepilogo.

Capitolo 3: Costruire il primo modello di apprendimento profondo in Windows.

Obiettivo del capitolo:Una guida alla codifica passo-passo per costruire il primo modello di classificazione di immagini con rete neurale convoluzionale "hello world".

Numero di pagine: 20.

Sotto-argomenti:

1. Cos'è il dataset MNIST?

2. Il modello LeNet.

3. Costruiamo il nostro primo modello.

4. Esecuzione del modello.

5. Che cosa si può fare dopo?

Capitolo 4: Capire cosa abbiamo costruito.

Obiettivo del capitolo: imparare il funzionamento interno di una rete neurale convoluzionale.

N. di pagine: 20.

Sotto-argomenti:

1. Immagini digitali.

2. Convoluzioni.

3. Funzione di non linearità.

4. Pooling.

5. Classificatore (strato completamente connesso)

6. Come si realizza tutto questo?

Capitolo 5: Visualizzazione dei modelli.

Comprendere i modi per visualizzare il funzionamento interno dei modelli di deep learning, consentendo al lettore di utilizzare questa conoscenza per costruire modelli complessi.

N. di pagine: 20.

Sotto-argomenti:

1. Perché visualizzare i modelli è utile.

2. Utilizzo della funzione plot_model di Keras.

3. Utilizzo di Netron per visualizzare le strutture dei modelli.

4. Visualizzazione dei filtri convoluzionali.

Capitolo 6: Apprendimento per trasferimento

Costruire sistemi di deep learning che risolvano un problema pratico è solitamente reso difficile dalla difficoltà di raccogliere e gestire i dati di addestramento. Di solito è al.