A PyTorch elsajátítása: Erőteljes neurális hálózati architektúrák építése a PyTorch 1.x fejlett funkcióinak használatával

Olvasói vélemények

A könyv gyakorlatias forrás a PyTorch és a mélytanulás elsajátításához, gyakorlatias megközelítést kínál a terület különböző architektúráihoz és koncepcióihoz. Foglalkozik a modellek telepítésével, a gyártással, és gyakorlatokat biztosít a megértés elmélyítéséhez. Míg sok felhasználó dicséri az áttekinthetőségéért és az átfogó lefedettségéért, néhányan kritizálják a hiányos kódpéldák miatt.

⬤ Gyakorlati, gyakorlatias megközelítés a PyTorch és a mélytanulás elsajátításához.
⬤ Átfogó lefedettség a főbb témák, például a CNN-ek, az LSTM-ek, a GAN-ek és a megerősítéses tanulás terén.
⬤ Hasznos gyakorlatok minden fejezetben a jobb megértés érdekében.
⬤ Kezdőknek és a mélytanulásban már jártasaknak egyaránt jó.
⬤ Érthető magyarázatok intuitív ábrákkal.

⬤ Néhány kódpélda hiányos vagy pszeudokódként van bemutatva, ami frusztrációhoz vezet.
⬤ Egyes felhasználók problémákat tapasztaltak a megadott kód végrehajtásával kapcsolatban.
⬤ A matematikai elmélet mélysége hiányozhat azok számára, akik szigorúbb kezelést keresnek.

(10 olvasói vélemény alapján)

Eredeti címe:

Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features

Könyv tartalma:

A PyTorch segítségével a mélytanulás fejlett technikáinak és algoritmusainak elsajátítása valós példákon keresztül

Key Features

⬤ Megtanulja, hogyan használhatja a PyTorch 1. x-et fejlett neurális hálózati modellek építéséhez.

⬤ Tanulja meg a feladatok széles körének elvégzését a mélytanulási algoritmusok és technikák megvalósításával.

⬤ Szaktudást szerezhet olyan területeken, mint a számítógépes látás, NLP, Deep RL, magyarázható mesterséges intelligencia és még sok más.

Könyv leírása

A mélytanulás hajtja az AI forradalmát, és a PyTorch minden eddiginél könnyebbé teszi bárki számára a mélytanulási alkalmazások készítését. Ez a PyTorch-könyv segít felfedezni a szakértői technikákat, amelyekkel a legtöbbet hozhatja ki az adatokból, és összetett neurális hálózati modelleket építhet.

A könyv a PyTorch gyors áttekintésével kezdődik, majd a konvolúciós neurális hálózat (CNN) architektúrák képosztályozásra való felhasználását vizsgálja. Ezután rekurrens neurális hálózati (RNN) architektúrákkal és transzformátorokkal dolgozik majd az érzéselemzéshez. Ahogy haladsz előre, különböző területeken, például zene, szöveg és képgenerálásban alkalmazod a mély tanulást generatív modellek segítségével, és felfedezed a generatív adverzális hálózatok (GAN-ok) világát. Nemcsak saját mély megerősített tanulási modelleket építesz és képzelsz el PyTorch-ban, hanem szakértői tippek és technikák segítségével PyTorch-modelleket is bevetsz a termelésben. Végül pedig megismerkedhetsz a nagy modellek hatékony, elosztott módon történő képzésével, a neurális architektúrák hatékony keresésével az AutoML segítségével, valamint a modellek gyors prototípusalkotásával a PyTorch és a fast. ai segítségével. ai.

E PyTorch-könyv végére képes leszel komplex mélytanulási feladatokat végrehajtani a PyTorch segítségével, hogy intelligens mesterségesintelligencia-modelleket építs.

Mit fogsz tanulni

⬤ Szöveg- és zenei generáló modellek implementálása a PyTorch segítségével.

⬤ Mély Q-hálózat (DQN) modell építése PyTorch-ban.

⬤ Exportáljon univerzális PyTorch modelleket az Open Neural Network Exchange (ONNX) segítségével.

⬤ Gyors prototípusok készítése a PyTorch segítségével, gyors. ai.

⬤ Eredményes neurális architektúra-keresés az AutoML használatával.

⬤ Egyszerűen értelmezze a PyTorch-ban írt gépi tanulási (ML) modelleket a Captum segítségével.

⬤ Tervezzen ResNet-eket, LSTM-eket, transzformátorokat és egyebeket a PyTorch használatával.

⬤ Tudja meg, hogyan használhatja a PyTorch-ot elosztott képzésre a torch. distributed API segítségével.

Kinek szól ez a könyv

Ez a könyv adattudósoknak, gépi tanulással foglalkozó kutatóknak és mélytanulással foglalkozó szakembereknek szól, akik fejlett mélytanulási paradigmákat szeretnének megvalósítani a PyTorch 1. x használatával. A mélytanulás Python programozással kapcsolatos munkatudás szükséges.