Programovanie Pytorch pre hlboké učenie: Pichtorch: Vytváranie a nasadzovanie aplikácií hlbokého učenia

Recenzie čitateľov

Kniha slúži ako úvod do PyTorchu a hlbokého učenia a poskytuje ucelený prehľad rôznych architektúr a techník. Hoci obsahuje praktické príklady a kritické kroky v procese učenia, bola kritizovaná za chyby v kóde, nedostatočnú hĺbku a prílišnú základnosť.

⬤ Pokrýva širokú škálu architektúr a techník
⬤ slúži ako dobrý úvod do PyTorchu
⬤ praktické príklady a projekty
⬤ dobre organizuje obsah
⬤ poskytuje kritické tipy pre praktikov
⬤ obsahuje online odkazy.

⬤ Príklady kódu často nie sú spustiteľné
⬤ veľa chýb a preklepov v kóde
⬤ chýba hĺbka tém
⬤ niektorý obsah pôsobí recyklovane alebo neúplne
⬤ vytlačený čiernobielo
⬤ nemusí byť vhodný pre pokročilých študentov.

(na základe 19 čitateľských recenzií)

Pôvodný názov:

Programming Pytorch for Deep Learning: Creating and Deploying Deep Learning Applications

Obsah knihy:

Urobte ďalšie kroky k zvládnutiu hlbokého učenia, metódy strojového učenia, ktorá každú sekundu mení svet okolo nás. V tejto praktickej knihe sa oboznámite s kľúčovými myšlienkami pomocou open source frameworku PyTorch spoločnosti Facebook a získate najnovšie zručnosti potrebné na vytvorenie vlastných neurónových sietí.

Ian Pointer vám ukáže, ako nastaviť PyTorch v cloudovom prostredí, a potom vás prostredníctvom hlbokého ponoru do jednotlivých prvkov prevedie tvorbou neurónových architektúr, ktoré uľahčujú operácie s obrazom, zvukom, textom a ďalšími prvkami. Venuje sa aj kritickým konceptom aplikácie transferového učenia na obrázky, ladeniu modelov a PyTorchu v produkcii.

⬤ Učte sa, ako nasadiť modely hlbokého učenia do produkcie.

⬤ Preskúmajte prípady použitia PyTorchu od niekoľkých popredných spoločností.

⬤ Učte sa, ako aplikovať transferové učenie na obrázky.

⬤ Aplikujte špičkové techniky NLP pomocou modelu natrénovaného na Wikipédii.

⬤ Použite knižnicu Torchaudio od PyTorchu na klasifikáciu zvukových dát pomocou modelu založeného na konvolučnom učení.

⬤ Debugujte modely PyTorch pomocou TensorBoard a plamenných grafov.

⬤ Umiestniť aplikácie PyTorch do produkcie v kontajneroch Docker a klastroch Kubernetes bežiacich na Google Cloud.