Automatizált mélytanulás neurális hálózati intelligencia segítségével: Pytorch és Tensorflow modellek fejlesztése és tervezése Python használatával

Eredeti címe:

Automated Deep Learning Using Neural Network Intelligence: Develop and Design Pytorch and Tensorflow Models Using Python

Könyv tartalma:

Optimalizálja, fejlessze és tervezze a PyTorch és TensorFlow modelleket egy adott problémára a Microsoft Neural Network Intelligence (NNI) eszközkészlet segítségével. Ez a könyv gyakorlati példákat tartalmaz, amelyek az automatizált mélytanulási megközelítéseket illusztrálják, és olyan technikákat kínál, amelyek megkönnyítik a mélytanulási modellek fejlesztését.

A könyv első fejezetei az NNI eszközkészlet használatának alapjait és a hiperparaméteres optimalizálási feladatok megoldásának módszereit tárgyalják. Meg fogja érteni a fekete doboz függvénymaximalizálási problémát az NNI használatával, és tudni fogja, hogyan készítsen elő egy TensorFlow vagy PyTorch modellt hiperparaméter-hangolásra, indítson el egy kísérletet, és értelmezze az eredményeket. A könyv elmerül az optimalizációs tunerek és az ezek alapjául szolgáló keresőalgoritmusok témakörében: Evolúciós keresés, Annealing-keresés és a Bayes-i optimalizációs megközelítés. Kitér a neurális architektúra keresésére, és megtanulja, hogyan fejleszthet mélytanulási modelleket a semmiből. Bemutatásra kerülnek az automatikus neurális hálózatok tervezésének többpróbás és egypróbás keresési megközelítései. A könyv megtanítja, hogyan építsen fel egy keresési teret és indítson el egy architektúra-keresést a legújabb korszerű feltárási stratégiák segítségével: Hatékony neurális architektúrakeresés (Efficient Neural Architecture Search, ENAS) és differenciális architektúrakeresés (Differential Architectural Search, DARTS). Megtanulja, hogyan automatizálhatja a neurális hálózati architektúra felépítését egy adott problémára és adathalmazra. A könyv a modelltömörítésre és a feature engineering módszerekre összpontosít, amelyek alapvető fontosságúak az automatizált mélytanulásban. Olyan teljesítménytechnikákat is tartalmaz, amelyek lehetővé teszik nagyméretű, elosztott képzési platformok létrehozását NNI használatával.

A könyv elolvasása után tudni fogja, hogyan kell használni az automatizált mélytanulási módszerek teljes eszköztárát. A könyvben bemutatott technikák és gyakorlati példák segítségével magasabb szintre emelheti neurális hálózati rutinjait.

Mit fogsz tanulni

⬤ Tudja az optimalizációs tunerek, a keresési tér és a próbák alapfogalmait.

⬤ A különböző hiperparaméteres optimalizációs algoritmusok alkalmazása hatékony neurális hálózatok fejlesztéséhez.

⬤ Konstruáljon új mélytanulási modelleket a semmiből.

⬤ Végezze el az automatizált neurális architektúra keresést a legkorszerűbb mélytanulási modellek létrehozásához.

⬤ Sűrítse össze a modellt a felesleges mélytanulási rétegek kiküszöbölése érdekében.

Kinek szól ez a könyv

Középhaladó és haladó adattudósoknak és gépi tanulással foglalkozó mérnököknek, akik mélytanulással és gyakorlati neurális hálózatok fejlesztésével foglalkoznak.