Értékelés:
A könyv vegyes élményt nyújt a PyTorch-ot tanulni próbáló felhasználók számára. Míg egyesek dicsérik a hozzáférhetőségét és a gyakorlati példákat, mások kritizálják az írásmódot, a témaválasztást és az átfogó magyarázatok hiányát.
Előnyök:Kezdők számára is elérhető, világos magyarázatok, hasznos kódminták, könnyű tanulási tempó.
Hátrányok:Gyenge írásmód, nincs mélység a magyarázatokban, furcsa témaválasztás, magas ár a nyújtott értékhez képest, és hiányoznak a fontos fogalmak.
(4 olvasói vélemény alapján)
Learning PyTorch 2.0: Experiment deep learning from basics to complex models using every potential capability of Pythonic PyTorch
Ez a könyv átfogó útmutató a PyTorch 2 megértéséhez és használatához. 0 mélytanulási alkalmazásokhoz. A PyTorch bemutatásával kezdődik, a PyTorch különböző előnyeivel más mélytanulási keretrendszerekkel szemben, valamint a CUDA-val való keveredésével a GPU-gyorsításhoz. Elmélyedünk a PyTorch szívébe - a tenzorokba, megtanulva azok különböző típusait, tulajdonságait és műveleteit. Az olvasó lépésről-lépésre bemutatott példákon keresztül megtanul alapvető aritmetikai műveleteket végezni a tenzorokon, manipulálni őket, és megérteni a tenzorok alakzataihoz kapcsolódó hibákat.
A könyv jelentős részét az egyszerű PyTorch-modellek felépítésének illusztrálásának szenteli. Ez magában foglalja az adathalmazok feltöltését és előkészítését, az architektúra meghatározását, a képzést és az előrejelzést. Gyakorlati gyakorlatokat nyújt egy valós adathalmazzal. A könyv ezután belemerül a PyTorch nn moduljának felfedezésébe, és részletesen összehasonlítja a különböző típusú hálózatokat, például a Feedforward, RNN, GRU, CNN és ezek kombinációját.
Továbbá, a könyv elmélyül a képzési folyamat és a PyTorch optim moduljának megértésében. Feltárja az olyan optimalizációs algoritmusok áttekintését, mint a Gradient Descent, SGD, Mini-batch Gradient Descent, Momentum, Adagrad és Adam. Egy külön fejezet a PyTorch 2 fejlett koncepcióira összpontosít. 0, mint például a modell szerializáció, optimalizálás, elosztott képzés és a PyTorch kvantálási API.
Az utolsó fejezetekben a könyv a TensorFlow 2. 0 és a PyTorch 2. 0 közötti különbségeket tárgyalja. 0, valamint a TensorFlow-modell PyTorch 2-re történő migrálásának lépésről lépésre történő folyamatát. 0-ra az ONNX segítségével. Áttekintést nyújt a folyamat során felmerülő gyakori problémákról és azok megoldásáról.
Legfontosabb tanulságok.
⬤ A PyTorch és a CUDA átfogó bevezetése a mélytanuláshoz.
⬤ A PyTorch tenzorok részletes megértése és műveletei.
⬤ Lépésről lépésre történő útmutató egyszerű PyTorch modellek építéséhez.
⬤ Belátás a PyTorch nn moduljába és a különböző hálózattípusok összehasonlítása.
⬤ Áttekintés a képzési folyamatról és a PyTorch optim moduljának feltárása.
⬤ A PyTorch olyan fejlett koncepcióinak megismerése, mint a modell szerializálása és optimalizálása.
⬤ A PyTorchban történő elosztott képzés ismerete.
⬤ Praktikus útmutató a PyTorch kvantálási API-jának használatához.
⬤ Különbségek a TensorFlow 2. 0 és a PyTorch 2. 0.
⬤ Útmutató a TensorFlow modellek PyTorch-ba történő migrálásához az ONNX használatával.
Tartalomjegyzék.
⬤ Elvezetés a Pytorch 2. 0 és a CUDA 11. 8.
⬤ Elkezdés a tenzorokkal.
⬤ Hosszabb távú tenzorműveletek.
⬤ Neurális hálózatok építése a PyTorch 2-vel. 0.
⬤ Neurális hálózatok képzése a PyTorch 2. 0.
⬤ PyTorch 2. 0 Advanced.
⬤ Migrálás a TensorFlow-ból a PyTorch 2. 0.
⬤ End-to-End PyTorch regressziós modell.
Közönség.
Tökéletes és ügyes könyv minden gépi tanulási mérnök, adattudós, AI mérnök és adatkutató számára, akik szenvedélyesen keresik a PyTorch 2 használatával megvalósítható intelligencia rajzolását. 0. A Python és a mélytanulás alapjainak ismerete elegendő ahhoz, hogy átvitorlázzon ezen a könyvön.
