Deep Learning on Windows: Building Deep Learning Computer Vision Systems on Microsoft Windows

Opiniones de los lectores

Actualmente no hay opiniones de lectores. La calificación se basa en 2 votos.

Contenido del libro:

​.

Capítulo 1: Por dónde empezar en el aprendizaje profundo

Objetivo del capítulo:Conocer las herramientas disponibles para el aprendizaje profundo y las tareas de visión por ordenador. Aprender sobre qué consideraciones debe hacer el lector sobre las herramientas, el SO y el hardware.

No de páginas: 20

Sub - Temas

1. ¿Podemos construir modelos de aprendizaje profundo en Windows?

2. Lenguaje de Programación - Python.

3. Gestión de paquetes y entornos - Anaconda.

4. Librerías de utilidades Python para aprendizaje profundo y visión por computador.

5. Frameworks de aprendizaje profundo.

6. Librerías de Visión por Computador.

7. Optimizadores y aceleradores.

8. ¿Y el hardware?

9. Configuraciones de hardware recomendadas.

Capítulo 2: Configuración de las herramientas.

Objetivo del capítulo:Instrucciones paso a paso sobre cómo instalar, configurar y solucionar los problemas de las herramientas necesarias.

Número de páginas 35

Sub - Temas:

1. Instalación de Visual Studio con soporte para C++.

2. 2. Instalación de CMake.

3. Instalación de Anaconda Python.

4. Configuración del entorno Conda y las librerías Python.

5. Instalación de TensorFlow.

6. Instalación de la versión multibackend de Keras.

7. Instalación de OpenCV.

8. Instalación de Dlib.

9. 9. Verificación de la instalación.

10. Pasos opcionales.

11. Solución de problemas.

12. 13. Resumen.

Capítulo 3: Creación de su primer modelo de aprendizaje profundo en Windows.

Objetivo del capítulo:Guía de codificación paso a paso para construir el primer modelo de clasificación de imágenes mediante redes neuronales convolucionales "hola mundo".

Número de páginas: 20.

Sub - Temas:

1. 1. ¿Qué es el conjunto de datos MNIST?

2. 2. El modelo LeNet.

3. Construyamos Nuestro Primer Modelo.

4. Ejecutando Nuestro Modelo.

5. ¿Qué podemos hacer ahora?

Capítulo 4: Comprender lo que hemos construido.

Objetivo del capítulo: Aprender el funcionamiento interno de una red neuronal convolucional.

Número de páginas: 20.

Subtemas:

1. 1. Imágenes digitales.

2. 2. Convoluciones.

3. Función de no linealidad.

4. Pooling.

5. Clasificador (capa totalmente conectada).

6. ¿Cómo funciona todo esto?

Capítulo 5: Visualización de modelos.

Objetivo del capítulo:Comprender las formas de visualizar el funcionamiento interno de los modelos de aprendizaje profundo, permitiendo al lector utilizar ese conocimiento para construir modelos complejos.

Nº de páginas: 20.

Sub - Temas:

1. 1. Por qué es útil visualizar modelos.

2. Uso de la función plot_model de Keras.

3. Uso de Netron para visualizar estructuras de modelos.

4. Visualización de Filtros Convolucionales.

Capítulo 6: Aprendizaje por transferencia

Objetivo del capítulo:La construcción de sistemas de aprendizaje profundo que resuelvan un problema práctico suele complicarse debido a la dificultad de recopilar y gestionar los datos de entrenamiento. Suele ser al.