Učenie PyTorch 2.0: Experimentujte s hlbokým učením od základov až po komplexné modely s využitím všetkých potenciálnych schopností Pythonu PyTorch

Recenzie čitateľov

Kniha ponúka zmiešané skúsenosti pre používateľov, ktorí sa snažia naučiť PyTorch. Zatiaľ čo niektorí chvália jej prístupnosť a praktické príklady, iní kritizujú jej štýl písania, výber tém a nedostatok komplexných vysvetlení.

Prístupné pre začiatočníkov, jasné vysvetlenia, užitočné ukážky kódu, ľahké tempo učenia.

Zlý štýl písania, nedostatočná hĺbka vysvetlení, zvláštny výber tém, vysoká cena za poskytovanú hodnotu a chýbajúce dôležité koncepty.

(na základe 4 čitateľských recenzií)

Pôvodný názov:

Learning PyTorch 2.0: Experiment deep learning from basics to complex models using every potential capability of Pythonic PyTorch

Obsah knihy:

Táto kniha je komplexným sprievodcom na pochopenie a používanie PyTorchu 2. 0 pre aplikácie hlbokého učenia. Začína úvodom do PyTorchu, jeho rôznymi výhodami oproti iným frameworkom hlbokého učenia a jeho spojením s CUDA na akceleráciu GPU. Ponoríme sa do srdca PyTorchu - tenzorov, naučíme sa ich rôzne typy, vlastnosti a operácie. Prostredníctvom príkladov krok za krokom sa čitateľ naučí vykonávať základné aritmetické operácie s tenzormi, manipulovať s nimi a porozumieť chybám súvisiacim s tvarmi tenzorov.

Podstatná časť knihy je venovaná názorným ukážkam vytvárania jednoduchých modelov PyTorch. To zahŕňa nahrávanie a prípravu súborov údajov, definovanie architektúry, trénovanie a predpovedanie. Poskytuje praktické cvičenia so súborom údajov z reálneho sveta. Kniha sa potom ponára do skúmania modulu nn jazyka PyTorch a poskytuje podrobné porovnanie rôznych typov sietí, ako sú Feedforward, RNN, GRU, CNN a ich kombinácie.

Ďalej sa kniha venuje pochopeniu procesu školenia a modulu Optim aplikácie PyTorch. Skúma prehľad optimalizačných algoritmov, ako sú Gradient Descent, SGD, Mini-batch Gradient Descent, Momentum, Adagrad a Adam. Samostatná kapitola sa zameriava na pokročilé koncepty v programe PyTorch 2. 0, ako je serializácia modelu, optimalizácia, distribuované trénovanie a PyTorch Quantization API.

V záverečných kapitolách sa kniha zaoberá rozdielmi medzi TensorFlow 2. 0 a PyTorch 2. 0 a postup krok za krokom migrácie modelu TensorFlow do PyTorch 2. 0 pomocou ONNX. Poskytuje prehľad bežných problémov, s ktorými sa počas tohto procesu stretávame, a spôsob ich riešenia.

Kľúčové poznatky.

⬤ Komplexný úvod do PyTorchu a CUDA pre hlboké učenie.

⬤ Detailné pochopenie a operácie s tenzormi PyTorch.

⬤ Sprievodca krok za krokom na vytváranie jednoduchých modelov PyTorch.

⬤ Poznanie modulu nn jazyka PyTorch a porovnanie rôznych typov sietí.

⬤ Prehľad procesu trénovania a preskúmanie modulu optim jazyka PyTorch.

⬤ Pochopenie pokročilých konceptov v PyTorchu, ako je serializácia modelov a optimalizácia.

⬤ Znalosť distribuovaného trénovania v PyTorchu.

⬤ Praktický sprievodca používaním kvantizačného API PyTorchu.

⬤ Rozdiely medzi TensorFlow 2. 0 a PyTorch 2. 0.

⬤ Návod na migráciu modelov TensorFlow do PyTorchu pomocou ONNX.

Obsah.

⬤ Úvod do Pytorchu 2. 0 a CUDA 11. 8.

⬤ Začiatok práce s tenzormi.

⬤ Pokročilé operácie s tenzormi.

⬤ Tvorba neurónových sietí pomocou PyTorch 2. 0.

⬤ Trénovanie neurónových sietí v PyTorchu 2. 0.

⬤ PyTorch 2. 0 pre pokročilých.

⬤ Migrácia z TensorFlow do PyTorch 2. 0.

⬤ Koncový regresný model PyTorch.

Publikum.

Dokonalá a zručná kniha pre každého inžiniera strojového učenia, dátového vedca, inžiniera umelej inteligencie a výskumníka dát, ktorí vášnivo túžia čerpať využiteľné informácie pomocou PyTorch 2. 0. Na preplávanie touto knihou vám stačí poznať Python a základy hlbokého učenia.