Deep Belief Nets in C++ and Cuda C : Volume 2 : Autoencoding in the Complex Domain (Réseaux de croyances profonds en C++ et Cuda C : Volume 2 : Autoencodage dans le domaine complexe)

Avis des lecteurs

Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.

Titre original :

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

Contenu du livre :

Découvrez les éléments essentiels d'une forme commune et puissante de réseau de croyance profond : l'autoencodeur. Vous pousserez ce sujet au-delà de son utilisation courante en l'étendant au domaine complexe pour les applications de traitement du signal et de l'image. Deep Belief Nets in C++ and CUDA C : Volume 2 couvre également plusieurs algorithmes de prétraitement des séries temporelles et des données d'image. Ces algorithmes se concentrent sur la création de prédicteurs du domaine complexe qui conviennent à l'entrée d'un autoencodeur du domaine complexe. Enfin, vous apprendrez une méthode pour intégrer des informations de classe dans la couche d'entrée d'une machine de Boltzmann restreinte. Cette méthode facilite l'affichage génératif d'échantillons de classes individuelles plutôt que de l'ensemble de la distribution des données. La possibilité de voir les caractéristiques que le modèle a apprises pour chaque classe séparément peut s'avérer inestimable.

À chaque étape, ce livre vous fournit une motivation intuitive, un résumé des équations les plus importantes concernant le sujet, et un code hautement commenté pour le calcul threadé sur les CPU modernes ainsi que pour le traitement parallèle massif sur les ordinateurs dotés de cartes d'affichage vidéo compatibles avec CUDA.

Ce que vous apprendrez

⬤ Code pour l'apprentissage profond, les réseaux neuronaux et l'IA en utilisant C++ et CUDA C.

⬤ Effectuer le prétraitement des signaux à l'aide de transformations simples, de transformées de Fourier, d'ondelettes de Morlet, etc.

⬤ Utiliser la transformée de Fourier pour le prétraitement d'images.

⬤ Implémenter l'auto-codage via l'activation dans le domaine complexe.

⬤ Travailler avec des algorithmes pour le calcul du gradient CUDA.

⬤ Utiliser le manuel d'utilisation de DEEP.

A qui s'adresse ce livre ?

Les personnes ayant au moins une connaissance de base des réseaux neuronaux et une certaine expérience de la programmation, même si des notions de C++ et de CUDA C sont recommandées.

Autres informations sur le livre :

• ISBN : 9781484236451
• Auteur : Timothy Masters
• Éditeur : Apress
• Langue : anglais
• Reliure : Broché