دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Umberto Michelucci
سری:
ISBN (شابک) : 1484249755, 9781484249758
ناشر: Apress
سال نشر: 2019
تعداد صفحات: 288
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 7 Mb
در صورت تبدیل فایل کتاب Advanced Applied Deep Learning: Convolutional Neural Networks and Object Detection به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق کاربردی پیشرفته: شبکه های عصبی کانولوشن و تشخیص اشیا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توسعه و بهینه سازی مدل های یادگیری عمیق با معماری های پیشرفته.
این کتاب جزئیات پیچیده و ظرافت های الگوریتم هایی را که در هسته
شبکه های عصبی کانولوشن قرار دارند به شما آموزش می دهد. در
Advanced Applied Deep Learning، موضوعات پیشرفته در CNN و
تشخیص اشیا با استفاده از Keras و TensorFlow را مطالعه خواهید
کرد.
در طول مسیر، به عملیات اساسی در CNN نگاه خواهید کرد. مانند
کانولوشن و ادغام، و سپس به معماری های پیشرفته تری مانند شبکه
های آغازین، شبکه های مجدد و بسیاری موارد دیگر نگاه کنید. در
حالی که این کتاب موضوعات تئوری را مورد بحث قرار میدهد، خواهید
فهمید که چگونه با ترفندها و نکات زیادی با Keras کار کنید، از
جمله نحوه سفارشی کردن ورود به Keras با کلاسهای برگشت سفارشی،
اجرای مشتاقانه و نحوه استفاده از آن در مدلهای خود.
در نهایت، نحوه عملکرد تشخیص شی را مطالعه خواهید کرد و یک پیاده
سازی کامل از الگوریتم YOLO (شما فقط یک بار نگاه می کنید) را در
Keras و TensorFlow ایجاد خواهید کرد. در پایان کتاب شما مدلهای
مختلفی را در Keras پیادهسازی کردهاید و بسیاری از ترفندهای
پیشرفته را یاد خواهید گرفت که مهارتهای شما را به سطح بالاتری
میرساند.
آنچه خواهید آموخت</ b>
ببینید چگونه شبکههای عصبی کانولوشن و تشخیص اشیا کار
میکنند
وزنها و مدلها را روی دیسک ذخیره کنید
آموزش را متوقف کنید و آن را مجددا راهاندازی کنید. در مرحله
بعدی
از شتاب سخت افزاری (GPU) در کد خود استفاده کنید
با انتزاع Dataset TensorFlow کار کنید و از مدل های از پیش آموزش
دیده استفاده کنید و یادگیری را انتقال دهید
حذف و لایه ها را به شبکه های از قبل آموزش دیده اضافه کنید آنها
را با پروژه خاص خود تطبیق دهید
از مدل های از پیش آموزش دیده مانند Alexnet و VGG16 در مجموعه
داده های جدید استفاده کنید
این کتاب کیست برای
دانشمندان و محققانی که دانش زبان پایتون و یادگیری ماشینی متوسط
تا پیشرفته دارند. علاوه بر این، دانش متوسط در مورد Keras
و TensorFlow مورد انتظار است.
Develop and optimize deep learning models with advanced
architectures. This book teaches you the intricate details and
subtleties of the algorithms that are at the core of
convolutional neural networks. InAdvanced Applied Deep
Learning, you will study advanced topics on CNN and object
detection using Keras and TensorFlow.
Along the way, you will look at the fundamental operations in
CNN, such as convolution and pooling, and then look at more
advanced architectures such as inception networks, resnets, and
many more. While the book discusses theoretical topics, you
will discover how to work efficiently with Keras with many
tricks and tips, including how to customize logging in Keras
with custom callback classes, what is eager execution, and how
to use it in your models.
Finally, you will study how object detection works, and build a
complete implementation of the YOLO (you only look once)
algorithm in Keras and TensorFlow. By the end of the book you
will have implemented various models in Keras and learned many
advanced tricks that will bring your skills to the next
level.
What You Will Learn
See how convolutional neural networks and object detection
work
Save weights and models on disk
Pause training and restart it at a later stage
Use hardware acceleration (GPUs) in your code
Work with the Dataset TensorFlow abstraction and use
pre-trained models and transfer learning
Remove and add layers to pre-trained networks to adapt them to
your specific project
Apply pre-trained models such as Alexnet and VGG16 to new
datasets
Who This Book Is For
Scientists and researchers with intermediate-to-advanced Python
and machine learning know-how. Additionally, intermediate
knowledge of Keras and TensorFlow is expected.
Front Matter ....Pages i-xviii
Introduction and Development Environment Setup (Umberto Michelucci)....Pages 1-26
TensorFlow: Advanced Topics (Umberto Michelucci)....Pages 27-77
Fundamentals of Convolutional Neural Networks (Umberto Michelucci)....Pages 79-123
Advanced CNNs and Transfer Learning (Umberto Michelucci)....Pages 125-160
Cost Functions and Style Transfer (Umberto Michelucci)....Pages 161-193
Object Classification: An Introduction (Umberto Michelucci)....Pages 195-220
Object Localization: An Implementation in Python (Umberto Michelucci)....Pages 221-241
Histology Tissue Classification (Umberto Michelucci)....Pages 243-277
Back Matter ....Pages 279-285