مجله علمی تفریحی بیبیس
0

دانلود کتاب متلب – جعبه ابزار یادگیری عمیق

بازدید 1328
  • عنوان کتاب: MATLAB. Deep Learning Toolbox
  • نویسنده: The MathWorks
  • سال انتشار: 2022
  • حوزه: متلب, یادگیری عمیق
  • تعداد صفحه: 132
  • زبان اصلی: انگلیسی
  • نوع فایل: pdf
  • حجم فایل: 2.32 مگابایت

Deep Learning Toolbox چارچوبی برای طراحی و پیاده‌سازی شبکه‌های عصبی عمیق با الگوریتم‌ها، مدل‌های از پیش آموزش‌دیده و اپلیکیشن‌ها فراهم می‌کند. می‌توانید از شبکه‌های عصبی کانولوشنال (ConvNets، CNN) و شبکه‌های حافظه کوتاه‌مدت (LSTM) برای انجام طبقه‌بندی و رگرسیون روی داده‌های تصویر، سری‌های زمانی و متن استفاده کنید. می‌توانید معماری‌های شبکه‌ای مانند شبکه‌های متخاصم (GAN) و شبکه‌های سیامی را با استفاده از تمایز خودکار، حلقه‌های آموزشی سفارشی و وزن‌های مشترک بسازید. با اپلیکیشن Deep Network Designer می توانید شبکه ها را به صورت گرافیکی طراحی، تحلیل و آموزش دهید. برنامه Experiment Manager به شما کمک می کند چندین آزمایش یادگیری عمیق را مدیریت کنید، پارامترهای آموزشی را پیگیری کنید، نتایج را تجزیه و تحلیل کنید و کدهای آزمایش های مختلف را با هم مقایسه کنید. شما می توانید فعال سازی لایه ها را تجسم کنید و پیشرفت آموزش را به صورت گرافیکی نظارت کنید. می‌توانید شبکه‌ها و گرافیک‌های لایه‌ای را از TensorFlow™ 2، TensorFlow-Keras و PyTorch®، فرمت مدل ONNX™ (Open Neural Network Exchange) و Caffe وارد کنید. همچنین می‌توانید شبکه‌های جعبه ابزار یادگیری عمیق و نمودارهای لایه را به TensorFlow 2 و قالب مدل ONNX صادر کنید. جعبه ابزار از یادگیری انتقال با DarkNet-53، ResNet-50، NASNet، SqueezeNet و بسیاری از مدل های از پیش آموزش دیده پشتیبانی می کند. می توانید سرعت آموزش را در یک ایستگاه کاری تک یا چند GPU (با جعبه ابزار محاسبات موازی) افزایش دهید یا به کلاسترها و ابرها، از جمله نمونه های GPU NVIDIA® GPU و آمازون EC2® (با MATLAB® Parallel Server™) ارتقا دهید.

Deep Learning Toolbox provides a framework for designing and implementing deep neural networks with algorithms, pretrained models, and apps. You can use convolutional neural networks (ConvNets, CNNs) and long short-term memory (LSTM) networks to perform classification and regression on image, time-series, and text data. You can build network architectures such as generative adversarial networks (GANs) and Siamese networks using automatic differentiation, custom training loops, and shared weights. With the Deep Network Designer app, you can design, analyze, and train networks graphically. The Experiment Manager app helps you manage multiple deep learning experiments, keep track of training parameters, analyze results, and compare code from different experiments. You can visualize layer activations and graphically monitor training progress. You can import networks and layer graphics from TensorFlow™ 2, TensorFlow-Keras, and PyTorch®, the ONNX™ (Open Neural Network Exchange) model format, and Caffe. You can also export Deep Learning Toolbox networks and layer graphs to TensorFlow 2 and the ONNX model format. The toolbox supports transfer learning with DarkNet-53, ResNet-50, NASNet, SqueezeNet and many other pretrained models. You can speed up training on a single- or multiple-GPU workstation (with Parallel Computing Toolbox™), or scale up to clusters and clouds, including NVIDIA® GPU Cloud and Amazon EC2® GPU instances (with MATLAB® Parallel Server™).

این کتاب را میتوانید از لینک زیر بصورت رایگان دانلود کنید:

Download: MATLAB. Deep Learning Toolbox

نظرات کاربران

  •  چنانچه دیدگاه شما توهین آمیز باشد تایید نخواهد شد.
  •  چنانچه دیدگاه شما جنبه تبلیغاتی داشته باشد تایید نخواهد شد.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.