Hodnotenie:
Kniha je zmesou užitočných poznatkov a významných nedostatkov. Zatiaľ čo niektorí používatelia oceňujú jej stručný návod a praktické odkazy pre PyTorch, iní kritizujú jej rozsah, formátovanie a zastaraný obsah a naznačujú, že potrebuje lepšie prevedenie a aktualizácie.
Výhody:** Poskytuje rýchlu referenciu pre používateľov PyTorchu. ** Stručná a informatívna, ponúka praktické pokyny nad rámec jednoduchých odkazov na API. ** Dobre sa hodí pre samostatných študentov a tých, ktorí hľadajú osvedčené postupy. ** Komplexný pre vývoj od konca po koniec vo vreckovom formáte.
Nevýhody:** Kniha je fyzicky malá s veľmi malým písmom, čo sťažuje jej čítanie. ** Obsah je často zastaraný alebo nepresný, sťažnosti sa týkajú nefunkčných príkladov kódu. ** Chýba hĺbka vysvetlení, čo vedie k plytvaniu miestom na základné informácie. ** Nie sú uvedené žiadne požiadavky na verziu alebo pokyny na reprodukovateľnosť. ** Mnohí používatelia naznačujú, že v porovnaní s touto knihou sú na internete k dispozícii lepšie zdroje.
(na základe 13 čitateľských recenzií)
Pytorch Pocket Reference: Building and Deploying Deep Learning Models
Vďaka tejto stručnej a ľahko použiteľnej referencii máte na dosah ruky jeden z najpopulárnejších rámcov pre výskum a vývoj hlbokého učenia. Autor Joe Papa poskytuje okamžitý prístup k syntaxi, návrhovým vzorom a príkladom kódu, aby urýchlil váš vývoj a skrátil čas strávený hľadaním odpovedí.
Výskumní vedci, inžinieri strojového učenia a softvéroví vývojári tu nájdu prehľadný, štruktúrovaný kód PyTorchu, ktorý pokrýva každý krok vývoja neurónových sietí - od načítania dát cez prispôsobenie tréningových slučiek až po optimalizáciu modelov a akceleráciu na GPU/TPU. Rýchlo sa naučíte, ako nasadiť svoj kód do produkcie pomocou AWS, Google Cloud alebo Azure a nasadiť svoje ML modely do mobilných a okrajových zariadení.
⬤ Učte sa základnú syntax jazyka PyTorch a návrhové vzory.
⬤ Vytvárajte vlastné modely a transformácie údajov.
⬤ Trénujte a nasadzujte modely pomocou GPU a TPU.
⬤ Trénovanie a testovanie klasifikátora hlbokého učenia.
⬤ Urýchliť trénovanie pomocou optimalizácie a distribuovaného trénovania.
⬤ Prístup k užitočným knižniciam PyTorch a ekosystému PyTorch.