Hlboké učenie s Pytorchom: Zostavujte, trénujte a vylaďte neurónové siete pomocou nástrojov Pythonu

Recenzie čitateľov

Kniha je všeobecne oceňovaná za komplexný a jasný úvod do Deep Learning a PyTorch, ktorý ponúka rovnováhu teórie a praktických príkladov kódovania. Je však kritizovaná za zlú kvalitu tlače, nedostatok niektorých pokročilých tém a rozvláčny štýl písania, ktorý môže odvádzať pozornosť od učenia.

Dôkladné pokrytie PyTorchu a Deep Learning, užitočné príklady kódu, dobre organizovaný obsah príťažlivý pre široké publikum, silné praktické zameranie, dobrý úvod pre začiatočníkov a vynikajúce zdroje na nasadenie do produkcie.

Podpriemerná kvalita tlače a papiera, nedostatok kapitol o pokročilých témach, ako sú jazykové modely a pozornosť, určitá ukecanosť vo vysvetlivkách a použitie čiernobielej tlače, ktorá znehodnocuje ilustrácie.

(na základe 24 čitateľských recenzií)

Pôvodný názov:

Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools

Obsah knihy:

Každý druhý deň sa dozvedáme o nových spôsoboch využitia hlbokého učenia: vylepšené lekárske zobrazovanie, presné odhaľovanie podvodov s kreditnými kartami, diaľkové predpovede počasia a ďalšie. PyTorch vám dáva do rúk tieto superschopnosti a poskytuje pohodlné prostredie jazyka Python, ktoré vám umožní rýchlo začať a potom sa rozvíjať spolu s vami, keď sa vaše schopnosti v oblasti hlbokého učenia stanú zložitejšími. Hlboké učenie s PyTorchom urobí túto cestu pútavou a zábavnou.

Zhrnutie.

Každý druhý deň počúvame o nových spôsoboch, ako využiť hlboké učenie: vylepšené lekárske zobrazovanie, presné odhaľovanie podvodov s kreditnými kartami, diaľkové predpovede počasia a ďalšie. PyTorch vám dáva tieto superschopnosti do rúk a poskytuje pohodlné prostredie jazyka Python, ktoré vás rýchlo naštartuje a potom rastie spolu s vami, keď sa vy - a vaše schopnosti hlbokého učenia - stanú sofistikovanejšími. Hlboké učenie s PyTorchom urobí túto cestu pútavou a zábavnou.

Predslov napísal Soumith Chintala, spolutvorca PyTorchu.

Zakúpenie tlačenej knihy zahŕňa bezplatnú elektronickú knihu vo formátoch PDF, Kindle a ePub od Manning Publications.

O technológii: V knihe sa objavujú informácie o technológii PyTouch.

Hoci mnohé nástroje na hlboké učenie používajú Python, knižnica PyTorch je skutočne pythonovská. PyTorch je okamžite známy každému, kto pozná nástroje PyData, ako sú NumPy a scikit-learn, a zjednodušuje hlboké učenie bez toho, aby obetoval pokročilé funkcie. Je vynikajúca na vytváranie rýchlych modelov a plynule sa škáluje od notebooku až po podnik. Keďže sa na PyTorch spoliehajú spoločnosti ako Apple, Facebook a JPMorgan Chase, je to skvelá zručnosť, ktorú môžete mať pri rozširovaní svojich kariérnych možností. Začať s PyTorchom je jednoduché. Minimalizuje kognitívnu réžiu bez toho, aby ste obetovali prístup k pokročilým funkciám, čo znamená, že sa môžete sústrediť na to, čo je najdôležitejšie - vytvárať a trénovať najnovšie a najlepšie modely hlbokého učenia a prispievať k tomu, aby ste urobili dieru do sveta. PyTorch sa tiež ľahko škáluje a rozširuje a dobre spolupracuje s ďalšími nástrojmi Python. PyTorch prijali stovky odborníkov na hlboké učenie a niekoľko prvotriednych hráčov, ako sú FAIR, OpenAI, FastAI a Purdue.

O knihe.

Deep Learning with PyTorch vás naučí vytvárať neurónové siete a systémy hlbokého učenia pomocou PyTorchu. V tejto praktickej knihe sa rýchlo pustíte do vytvárania reálneho príkladu: klasifikátora nádorových obrázkov. Popri tom sa zaoberá osvedčenými postupmi pre celú DL pipeline vrátane PyTorch Tensor API, načítavania dát v Pythone, monitorovania trénovania a vizualizácie výsledkov. Po pokrytí základov vás kniha prevedie väčšími projektmi. Ústrednou témou knihy je neurónová sieť určená na detekciu rakoviny. Objavíte spôsoby trénovania sietí s obmedzenými vstupmi a začnete spracovávať údaje, aby ste získali nejaké výsledky. Preosejete nespoľahlivé počiatočné výsledky a zameriate sa na to, ako diagnostikovať a odstrániť problémy vo vašej neurónovej sieti. Nakoniec sa pozriete na spôsoby, ako zlepšiť svoje výsledky trénovaním s rozšírenými údajmi, vykonáte vylepšenia architektúry modelu a vykonáte ďalšie jemné doladenia.

Čo nájdete vo vnútri.

Trénovanie hlbokých neurónových sietí.

Implementácia modulov a stratových funkcií.

Využívanie predtrénovaných modelov z PyTorch Hub.

Skúmanie vzoriek kódu v zápisníkoch Jupyter Notebook.

O čitateľovi.

Pre programátorov v jazyku Python so záujmom o strojové učenie.

O autorovi.

Eli Stevens pôsobil ako softvérový inžinier až po technického riaditeľa a v súčasnosti pracuje na strojovom učení v oblasti samojazdiacich áut. Luca Antiga je spoluzakladateľom spoločnosti zaoberajúcej sa inžinierstvom umelej inteligencie a technologického startupu v oblasti umelej inteligencie, ako aj bývalým prispievateľom PyTorchu. Thomas Viehmann je vývojár jadra PyTorch a školiteľ a konzultant strojového učenia. konzultant so sídlom v Mníchove v Nemecku a vývojár jadra PyTorch.

Obsah.

ČASŤ 1 - JADRO PYTORCHU

1 Predstavenie hlbokého učenia a knižnice PyTorch.

2 Predtrénované siete.

3 Začína sa tenzorom.

4 Reprezentácia reálnych dát pomocou tenzorov.

5 Mechanika učenia.

6 Použitie neurónovej siete na prispôsobenie dát.

7 Rozlišovanie vtákov od lietadiel: Učenie z obrázkov.

8 Používanie konvolúcií na zovšeobecnenie.

2. ČASŤ - UČENIE Z OBRÁZKOV V REÁLNOM SVETE: VČASNÁ DETEKCIA RAKOVINY PĽÚC.

9 Použitie PyTorchu v boji proti rakovine.

10 Spájanie zdrojov údajov do jednotného súboru údajov.

11 Trénovanie klasifikačného modelu na detekciu podozrivých nádorov.

12 Zlepšenie trénovania pomocou metrík a rozšírenia.

13 Použitie segmentácie na vyhľadávanie podozrivých uzlín.

14 Analýza uzlín od konca do konca a kam ďalej.

ČASŤ 3 - NASADENIE

15 Nasadenie do produkcie.