Reti di credenze profonde in C++ e Cuda C: Volume 2: Autocodifica nel dominio complesso

Recensioni dei lettori

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

Titolo originale:

Deep Belief Nets in C++ and Cuda C: Volume 2: Autoencoding in the Complex Domain

Contenuto del libro:

Scoprite gli elementi essenziali di una forma comune e potente di rete di credenza profonda: l'autoencoder. L'argomento andrà oltre l'uso corrente, estendendolo al dominio complesso per applicazioni di elaborazione di segnali e immagini. Deep Belief Nets in C++ e CUDA C: Volume 2 tratta anche diversi algoritmi per la pre-elaborazione di serie temporali e dati di immagini. Questi algoritmi si concentrano sulla creazione di predittori nel dominio complesso, adatti all'input di un autoencoder nel dominio complesso. Infine, imparerete un metodo per incorporare le informazioni sulla classe nello strato di ingresso di una macchina di Boltzmann ristretta. Ciò facilita la visualizzazione generativa di campioni di singole classi piuttosto che dell'intera distribuzione dei dati. La possibilità di vedere le caratteristiche apprese dal modello per ogni classe separatamente può essere preziosa.

Ad ogni passo, questo libro fornisce una motivazione intuitiva, un riassunto delle equazioni più importanti relative all'argomento e un codice altamente commentato per il calcolo in thread sulle moderne CPU e per l'elaborazione parallela massiva su computer con schede video CUDA.

Cosa imparerete

⬤ Codice per l'apprendimento profondo, le reti neurali e l'IA utilizzando C++ e CUDA C.

⬤ Eseguire la preelaborazione dei segnali utilizzando semplici trasformazioni, trasformate di Fourier, wavelets di Morlet e altro.

⬤ Utilizzare la trasformata di Fourier per la preelaborazione delle immagini.

⬤ Implementare l'autocodifica tramite l'attivazione nel dominio complesso.

⬤ Lavorare con gli algoritmi per il calcolo del gradiente in CUDA.

⬤ Utilizzare il manuale operativo di DEEP.

Per chi è questo libro?

Coloro che hanno almeno una conoscenza di base delle reti neurali e qualche precedente esperienza di programmazione, anche se si consiglia di utilizzare C++ e CUDA C.