Olvasói vélemények
Összegzés:A könyv gyakorlati betekintést nyújt a gépi tanulás megvalósításához, különös tekintettel a mély hiedelemhálózatokra. Minőségét azonban számos elgépelés és gyenge magyarázat rontja, valamint az eredeti tartalom hiánya a kötetek között. Míg egyes olvasók hasznosnak találták a tanuláshoz, mások kritizálták, hogy alacsony színvonalú, saját kiadású próbálkozás.
Előnyök:⬤ Gyakorlatias és lényegretörő
⬤ jól érthetővé teszi a gépi tanulás megvalósítását
⬤ hasznos C++ kódpéldákat tartalmaz
⬤ javítja a mély hiedelemhálózatok megértését
⬤ egyesek dicsérik, mint egy egészen elképesztő forrást, amely növeli a végrehajtás sebességét és pontosságát.
Hátrányok:⬤ Gyenge írásminőség, sok elgépeléssel és zavaros magyarázatokkal
⬤ a tartalom úgy tűnik, hogy a kötetek között újrahasznosított
⬤ túl sok kóddokumentációt tartalmaz
⬤ hiányoznak a világos diagramok és vizuális ábrák
⬤ sokan jobb, online vagy más módon elérhető forrásokat ajánlanak.
(11 olvasói vélemény alapján)
Eredeti címe:
Deep Belief Nets in C++ and Cuda C: Volume 1: Restricted Boltzmann Machines and Supervised Feedforward Networks
Könyv tartalma:
Fedezze fel a mély hiedelemhálózatok leggyakoribb formáinak alapvető építőelemeit. Ez a könyv minden egyes lépésnél intuitív motivációt, a téma szempontjából releváns legfontosabb egyenletek összefoglalását nyújtja, és rendkívül jól kommentált kóddal zárul a modern CPU-kon végzett szálas számításokhoz, valamint a CUDA-kompatibilis videokártyával rendelkező számítógépeken történő masszív párhuzamos feldolgozáshoz.
A C++ és CUDA C mélytanulásról és a belief hálókról szóló sorozat három részének első darabja, a Deep Belief Nets in C++ and CUDA C: Volume 1 bemutatja, hogy ezeknek az elegáns modelleknek a felépítése sokkal közelebb áll az emberi agyéhoz, mint a hagyományos neurális hálózatoké; olyan gondolkodási folyamatuk van, amely képes egyszerűbb primitívekből felépített absztrakt fogalmak tanulására. Mint ilyen, látni fogja, hogy egy tipikus mély hiedelemháló több millió paraméter optimalizálásával képes megtanulni összetett minták felismerését, mégis ez a modell ellenáll a túlillesztésnek.
A könyvben bemutatott összes rutin és algoritmus elérhető a letölthető kódban, amely néhány kapcsolódó rutin könyvtárat is tartalmaz.
Amit tanulni fog
⬤ Mélytanulás alkalmazása C++ és CUDA C használatával.
⬤ Munkálkodjon felügyelt feedforward hálózatokkal.
⬤ Beszorított Boltzmann-gépek implementálása.
⬤ Generatív mintavételek használata.
⬤ Találja meg, miért fontosak ezek.
Kinek szól ez a könyv
Azoknak, akik legalább alapvető ismeretekkel rendelkeznek a neurális hálózatokról és némi korábbi programozási tapasztalattal, bár némi C++ és CUDA C nyelvtudás ajánlott.
