Értékelés:
Jelenleg nincsenek olvasói vélemények. Az értékelés 2 olvasói szavazat alapján történt.
Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows
.
1. fejezet: Hol kezdjük a mélytanulást
Fejezet célja: Ismerje meg, milyen eszközök állnak rendelkezésre a mélytanulás és a számítógépes látás feladataihoz. Ismerje meg, milyen megfontolásokat kell az olvasónak az eszközökkel, az operációs rendszerrel és a hardverrel kapcsolatban megtennie.
Oldalak száma: 20
Rész - témák
1. Építhetünk-e mélytanulási modelleket Windowson?
2. Programozási nyelv - Python.
3. Csomag- és környezetkezelés - Anaconda.
4. Python segédkönyvtárak a mélytanuláshoz és a számítógépes látáshoz.
5. Mélytanulási keretrendszerek.
6. Számítógépes látás könyvtárak.
7. Optimalizátorok és gyorsítók.
8. Mi a helyzet a hardverrel?
9. Ajánlott PC hardverkonfigurációk.
2. fejezet: Az eszközök beállítása.
Fejezet célja: Lépésről lépésre történő útmutatás a szükséges eszközök telepítéséhez, konfigurálásához és hibaelhárításához.
Oldalak száma: 35
Rész - témák:
1. A Visual Studio telepítése C++ támogatással.
2. A CMake telepítése.
3. Az Anaconda Python telepítése.
4. A Conda környezet és a Python könyvtárak beállítása.
5. A TensorFlow telepítése.
6. A Keras multi-backend verziójának telepítése.
7. Az OpenCV telepítése.
8. A Dlib telepítése.
9. A telepítések ellenőrzése.
10. Választható lépések.
11. Hibaelhárítás.
12. Összefoglalás.
3. fejezet: Az első mélytanulási modell építése Windowsban.
Fejezet célja: Lépésről lépésre történő kódolási útmutató az első "hello world" konvolúciós neurális hálózati képosztályozó modell megépítéséhez.
Oldalak száma: 20.
Altémák:
1. Mi az MNIST adathalmaz?
2. A LeNet modell.
3. Építsük fel az első modellünket.
4. Modellünk futtatása.
5. Mit tehetünk ezután?
4. fejezet: Annak megértése, hogy mit építettünk.
A fejezet célja: Ismerje meg egy konvolúciós neurális hálózat belső működését.
Oldalak száma: 20.
Altémák:
1. Digitális képek.
2. Konvolúciók.
3. Nem linearitási függvény.
4. Összevonás.
5. Osztályozó (teljesen összekapcsolt réteg)
6. Hogyan áll össze mindez?
5. fejezet: A modellek vizualizálása.
A fejezet célja: A mélytanulási modellek belső működésének vizualizálási módjainak megértése, ami lehetővé teszi az olvasó számára, hogy ezt a tudást összetett modellek építéséhez használja fel.
Oldalak száma: 20.
Rész - témák:
1. Miért hasznos a modellek vizualizálása.
2. A Keras plot_model függvényének használata.
3. A Netron használata a modellstruktúrák vizualizálásához.
4. Konvolúciós szűrők vizualizálása.
6. fejezet: Transzfer tanulás
Cél fejezet: A gyakorlati problémát megoldó mélytanuló rendszerek építését általában a képzési adatok gyűjtésének és kezelésének nehézségei nehezítik meg. Ez általában al.
