Hodnotenie:
Kniha je praktickým zdrojom informácií o PyTorchu a hlbokom učení, ktorý ponúka praktický prístup k rôznym architektúram a konceptom v tejto oblasti. Zaoberá sa nasadením modelov, produkciou a poskytuje cvičenia na zlepšenie porozumenia. Zatiaľ čo mnohí používatelia ju chvália za zrozumiteľnosť a komplexné pokrytie, niektorí ju kritizujú za neúplné príklady kódu.
Výhody:⬤ Praktický, praktický prístup k štúdiu PyTorchu a hlbokého učenia.
⬤ Komplexné pokrytie hlavných tém, ako sú CNN, LSTM, GAN a posilňovanie učenia.
⬤ Užitočné cvičenia v každej kapitole na lepšie pochopenie.
⬤ Vhodné pre začiatočníkov aj pre tých, ktorí už majú určité znalosti hlbokého učenia.
⬤ Jasné vysvetlenia s intuitívnymi diagramami.
⬤ Niektoré príklady kódu sú neúplné alebo prezentované ako pseudokód, čo vedie k frustrácii.
⬤ Niektorí používatelia mali problémy so spustením poskytnutého kódu.
⬤ Hĺbka matematickej teórie môže chýbať tým, ktorí hľadajú dôkladnejšie spracovanie.
(na základe 10 čitateľských recenzií)
Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features
Zvládnite pokročilé techniky a algoritmy hlbokého učenia s PyTorchom na príkladoch z reálneho sveta
Kľúčové vlastnosti
⬤ Pochopte, ako používať PyTorch 1. x na vytváranie pokročilých modelov neurónových sietí.
⬤ Učte sa vykonávať širokú škálu úloh implementáciou algoritmov a techník hlbokého učenia.
⬤ Získať odborné znalosti v oblastiach, ako je počítačové videnie, NLP, Deep RL, vysvetľujúca umelá inteligencia a mnoho ďalších.
Popis knihy
Hlboké učenie je hnacím motorom revolúcie v oblasti umelej inteligencie a PyTorch umožňuje každému vytvárať aplikácie hlbokého učenia ľahšie ako kedykoľvek predtým. Táto kniha o PyTorchu vám pomôže odhaliť expertné techniky, ktoré vám pomôžu získať čo najviac z vašich dát a vytvoriť komplexné modely neurónových sietí.
Kniha začína stručným prehľadom PyTorchu a skúma použitie architektúr konvolučných neurónových sietí (CNN) na klasifikáciu obrázkov. Potom budete pracovať s architektúrami rekurentných neurónových sietí (RNN) a transformátormi na analýzu sentimentu. Ako budete postupovať, budete aplikovať hlboké učenie v rôznych doménach, ako je hudba, text a generovanie obrázkov pomocou generatívnych modelov a preskúmate svet generatívnych adverzných sietí (GAN). Budete nielen vytvárať a trénovať vlastné modely hlbokého posilňovania učenia v PyTorchu, ale aj nasadzovať modely PyTorchu do produkcie pomocou odborných tipov a techník. Nakoniec si osvojíte efektívne trénovanie veľkých modelov distribuovaným spôsobom, efektívne vyhľadávanie neurónových architektúr pomocou AutoML a rýchle prototypovanie modelov pomocou PyTorchu a rýchlych. ai.
Na konci tejto knihy o PyTorchu budete schopní vykonávať zložité úlohy hlbokého učenia pomocou PyTorchu na vytváranie inteligentných modelov umelej inteligencie.
Čo sa naučíte
⬤ Vykonávať modely generujúce text a hudbu pomocou PyTorchu.
⬤ Vybudovať model hlbokej Q-siete (DQN) v jazyku PyTorch.
⬤ Exportovať univerzálne modely PyTorch pomocou Open Neural Network Exchange (ONNX).
⬤ Získajte prehľad o rýchlom prototypovaní pomocou PyTorchu s rýchlym. ai.
⬤ Vykonávať efektívne vyhľadávanie neurónovej architektúry pomocou AutoML.
⬤ Ľahko interpretovať modely strojového učenia (ML) napísané v PyTorchu pomocou Captum.
⬤ Navrhovať ResNety, LSTM, Transformátory a ďalšie pomocou PyTorchu.
⬤ Zistite, ako používať PyTorch na distribuované trénovanie pomocou distribuovaného API Torch.
Pre koho je táto kniha určená
Táto kniha je určená pre dátových vedcov, výskumníkov v oblasti strojového učenia a odborníkov na hlboké učenie, ktorí chcú implementovať pokročilé paradigmy hlbokého učenia pomocou PyTorchu 1. x. Vyžaduje sa pracovná znalosť hlbokého učenia s programovaním v jazyku Python.