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: Timothy Masters
سری:
ISBN (شابک) : 9781484236468
ناشر: Apress
سال نشر: 2018
تعداد صفحات: 262
زبان: english
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
در صورت تبدیل فایل کتاب Deep Belief Nets in C++ and CUDA C volume 2 Autoencoding in the Complex Domain 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 Deep Belief Nets در C++ و CUDA C جلد 2 رمزگذاری خودکار در دامنه پیچیده 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.
بلوک های سازنده اساسی یک شکل رایج و قدرتمند از شبکه باور عمیق را کشف کنید: رمزگذار خودکار. با گسترش آن به دامنه پیچیده برای برنامه های پردازش سیگنال و تصویر، این موضوع را فراتر از استفاده فعلی خواهید برد. Deep Belief Nets در C++ و CUDA C: Volume 2 همچنین چندین الگوریتم برای پیش پردازش سری های زمانی و داده های تصویر را پوشش می دهد. این الگوریتمها بر ایجاد پیشبینیکنندههای دامنه پیچیده که برای ورودی به رمزگذار خودکار دامنه پیچیده مناسب هستند، تمرکز میکنند. در نهایت، روشی برای جاسازی اطلاعات کلاس در لایه ورودی یک ماشین محدود شده بولتزمن خواهید آموخت. این امر نمایش تولیدی نمونهها را از کلاسهای جداگانه به جای توزیع کل دادهها تسهیل میکند. توانایی دیدن ویژگی هایی که مدل برای هر کلاس به طور جداگانه آموخته است می تواند بسیار ارزشمند باشد. در هر مرحله، این کتاب انگیزههای بصری، خلاصهای از مهمترین معادلات مرتبط با موضوع، و کدهای بسیار تفسیر شده برای محاسبات رشتهای در CPUهای مدرن و همچنین پردازش موازی عظیم در رایانههایی با کارتهای نمایش ویدیویی با قابلیت CUDA را در اختیار شما قرار میدهد. آنچه می آموزید کد برای یادگیری عمیق، شبکه های عصبی و هوش مصنوعی با استفاده از C++ و CUDA C پیش پردازش سیگنال را با استفاده از تبدیل های ساده، تبدیل فوریه، موجک های مورلت و موارد دیگر انجام دهید. دامنه کار با الگوریتمها برای محاسبه گرادیان CUDA از کتابچه راهنمای عملیاتی DEEP این کتاب برای کسانی که حداقل دانش اولیه در مورد شبکههای عصبی و تجربه برنامهنویسی قبلی دارند، استفاده کنید، اگرچه مقداری C++ و CUDA C توصیه میشود.
Discover the essential building blocks of a common and powerful form of deep belief net: the autoencoder. You’ll take this topic beyond current usage by extending it to the complex domain for signal and image processing applications. Deep Belief Nets in C++ and CUDA C: Volume 2 also covers several algorithms for preprocessing time series and image data. These algorithms focus on the creation of complex-domain predictors that are suitable for input to a complex-domain autoencoder. Finally, you’ll learn a method for embedding class information in the input layer of a restricted Boltzmann machine. This facilitates generative display of samples from individual classes rather than the entire data distribution. The ability to see the features that the model has learned for each class separately can be invaluable. At each step this book provides you with intuitive motivation, a summary of the most important equations relevant to the topic, and highly commented code for threaded computation on modern CPUs as well as massive parallel processing on computers with CUDA-capable video display cards. What You'll Learn Code for deep learning, neural networks, and AI using C++ and CUDA C Carry out signal preprocessing using simple transformations, Fourier transforms, Morlet wavelets, and more Use the Fourier Transform for image preprocessing Implement autoencoding via activation in the complex domain Work with algorithms for CUDA gradient computation Use the DEEP operating manual Who This Book Is For Those who have at least a basic knowledge of neural networks and some prior programming experience, although some C++ and CUDA C is recommended.
Content: 0. Introduction1. Embedded Class Labels2. Signal Preprocessing3. Image Preprocessing4. Autoencoding5. Deep Operating Manual