Avis des lecteurs
Il n'y a actuellement aucun avis de lecteur. La note est basée sur 2 votes.
Titre original :
Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows
Contenu du livre :
.
Chapitre 1 : Où commencer votre apprentissage profond ?
Objectif du chapitre :Découvrez les outils disponibles pour les tâches d'apprentissage profond et de vision par ordinateur. Apprendre les considérations que le lecteur doit prendre en compte concernant les outils, le système d'exploitation et le matériel.
Nombre de pages : 20
Sous-thèmes
1. Peut-on construire des modèles d'apprentissage profond sous Windows ?
2. Langage de programmation - Python.
3. Gestion des paquets et de l'environnement - Anaconda.
4. Bibliothèques utilitaires Python pour l'apprentissage profond et la vision par ordinateur.
5. Cadres d'apprentissage profond.
6. Bibliothèques de vision par ordinateur.
7. Optimiseurs et accélérateurs.
8. Qu'en est-il du matériel ?
9. Configurations matérielles recommandées pour les PC.
Chapitre 2 : Configuration des outils.
Objectif du chapitre :Instructions étape par étape sur l'installation, la configuration et le dépannage des outils requis.
Nombre de pages : 35
Sous-thèmes :
1. Installation de Visual Studio avec support C++.
2. Installation de CMake.
3. Installation d'Anaconda Python.
4. Configurer l'environnement Conda et les bibliothèques Python.
5. Installation de TensorFlow.
6. Installation de la version multi-backend de Keras.
7. Installation d'OpenCV.
8. Installation de Dlib.
9. Vérification des installations.
10. Etapes optionnelles.
11. Dépannage.
12. Résumé.
Chapitre 3 : Construire votre premier modèle de Deep Learning sous Windows.
Objectif du chapitre :Un guide de codage étape par étape pour construire le premier modèle de classification d'images par réseau neuronal convolutionnel "hello world".
Nombre de pages : 20.
Sous-thèmes :
1. Qu'est-ce que l'ensemble de données MNIST ?
2. Le modèle LeNet.
3. Construisons notre premier modèle.
4. Exécution de notre modèle.
5. Que pouvez-vous faire ensuite ?
Chapitre 4 : Comprendre ce que nous avons construit.
Objectif du chapitre : apprendre le fonctionnement interne d'un réseau neuronal convolutif.
Nombre de pages : 20.
Sous-sujets :
1. Images numériques.
2. Convolutions.
3. Fonction de non-linéarité.
4. Mise en commun.
5. Classificateur (couche entièrement connectée)
6. Comment tout cela s'articule-t-il ?
Chapitre 5 : Visualisation des modèles.
Comprendre les moyens de visualiser le fonctionnement interne des modèles d'apprentissage profond, permettant au lecteur d'utiliser ces connaissances pour construire des modèles complexes.
Nombre de pages : 20.
Sous-sujets :
1. Pourquoi la visualisation des modèles est utile.
2. Utiliser la fonction plot_model de Keras.
3. Utilisation de Netron pour visualiser les structures des modèles.
4. Visualisation des filtres convolutifs.
Chapitre 6 : Apprentissage par transfert
Construire des systèmes d'apprentissage profond qui résolvent un problème pratique est généralement rendu difficile en raison de la difficulté de collecter et de gérer les données d'entraînement. Il est généralement al.
Autres informations sur le livre :
| ISBN : | 9781484264300 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 338 |
Achat:
Actuellement disponible, en stock.
