Praxiseinstieg Deep Learning: Mit Python, Caffe, TensorFlow und Spark eigene Deep-Learning-Anwendungen erstellen (Animals)

by Ramon Wartala

Deep Learning ist ein Teilbereich des Machine Learning und basiert auf künstlichen neuronalen Netzen. Dieser praktische Leitfaden bietet einen schnellen Einstieg in die Schlüsseltechnologie und erschließt Grundlagen und Arbeitsweisen von Deep Learning. Anhand Python-basierter Beispielanwendungen wird der Umgang mit den Frameworks Caffe/Caffe2 und TensorFlow gezeigt. Einfache, alltagstaugliche Beispiele laden zum Nachprogrammieren ein. Darüber hinaus erfahren Sie, warum moderne Grafikkarten, Big Data und Cloud Computing beim Deep Learning so wichtig sind. Wenn Sie bereits mit Python, NumPy und matplotlib arbeiten, ermöglicht Ihnen dieses Buch, praktische Erfahrungen mit Deep-Learning-Anwendungen zu machen. Deep Learning – die Hintergründe - Lernmethoden, die Deep Learning zugrunde liegen - Aktuelle Anwendungsfelder wie maschinelle Übersetzungen, Sprach- und Bilderkennung bei Google, Facebook, IBM oder Amazon Der Werkzeugkasten mit Docker - Der Docker-Container zum Alle nötigen Tools und Programme sind bereits installiert, damit Sie die Beispiele des Buchs und eigene Deep-Learning-Anwendungen leicht ausführen können. - Die Arbeitsumgebung Jupyter Notebook, Beispieldatensätze, Web Scraping Der Praxiseinstieg - Einführung in Caffe/Caffe2 und TensorFlow - Deep-Learning-Anwendungen Handschrifterkennung, Bilderkennung und -klassifizierung, Deep Dreaming - Lösungen für verteilte Anwendungen, Spark, Cloud-Systeme - Modelle in produktive Systeme überführen

229 pages, Kindle Edition

Published January 2, 2018

Reviews

[Thomas · Rating 2 out of 5]

Das Buch scheint oberflächlich erstmal ganz ok, wenn man es sich aber detailierter ansieht, muss man leider feststellen, dass dort viele Fehler sind. Man kann damit also den Grundgedanken des Deep Learnings erarbeiten. Für die technische Umsetzung muss man andere Werke nutzen oder viel Fehlerkorrektur betreiben. So wird zum Beispiel in Kapitel 2 die XOR-Schaltung definiert durch die Tabelle

x1 | x2 | XOR
0 | 0 | 0
0 | 1 | 0
1 | 0 | 1
1 | 1 | 1

Das ist natürlich nicht korrekt und beruht darauf, dass der Autor an der Stelle ein zweischichtiges neuronales Netz beschreiben möchte, jedoch nur ein einschichtiges neuronales Netz implementiert und dieses eben nicht in der Lage ist, die XOR Schaltung zu realisieren. Wenn man die Tabelle anpasst, merkt man dann auch, dass das Netz es eben nicht umsetzen kann. Ähnliche Fehler findet man leider häufiger.

[Nathen Leroy · Rating 2 out of 5]

Okay.