Deep Belief Nets in C++ and CUDA C Volume 1
Timothy Masters
- Editorial
- Apress
- Año
- 2018
- Páginas
- ~219
- Nivel
- Intermedio
De qué trata
Tratado técnico especializado escrito por Timothy Masters y publicado por Apress en 2018. Se enfoca en la implementación matemática desde cero de redes de creencias profundas (Deep Belief Networks - DBNs) y máquinas de Boltzmann restringidas (RBMs) en C++ y aceleración GPU con CUDA C.
Cubre la formulación matemática de modelos generativos, muestreo de Gibbs, contrastive divergence (CD-k), álgebra lineal acelerada en tarjetas gráficas NVIDIA mediante CUDA, y optimización del uso de memoria compartida en la GPU.
El autor proporciona el código fuente completo en C++ y CUDA sin depender de frameworks de alto nivel como TensorFlow o PyTorch. Indispensable para investigadores e ingenieros de computación de alto rendimiento en inteligencia artificial.
- Deep Belief Nets
- CUDA C
- Timothy Masters
- RBMs
- Muestreo de Gibbs
- GPU Computing
- C++ Científico
- Apress
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Motor de Redes de Creencias Profundas Acelerado por GPU en CUDA C++
Construcción desde cero de un clasificador no supervisado con kernels paralelos de CUDA para multiplicación de matrices y muestreo de Gibbs.
