Értékelés:
A könyvet széles körben dicsérik a Deep Learning és a PyTorch átfogó és világos bevezetése miatt, amely egyensúlyt kínál az elmélet és a gyakorlati kódolási példák között. Ugyanakkor kritizálják a gyenge nyomtatási minőség, néhány haladó témakör hiánya és a terjedelmes írásmód miatt, amely elveheti a tanulási élményt.
Előnyök:A PyTorch és a Deep Learning alapos lefedettsége, hasznos kódpéldák, jól szervezett, széles közönséget megszólító tartalom, erős gyakorlati fókusz, jó bevezetés kezdőknek, és kiváló források a termelésbe való bevezetéshez.
Hátrányok:Nem megfelelő nyomtatási és papírminőség, a haladó témákról, például a nyelvi modellekről és a figyelemről szóló fejezetek hiánya, némi szószátyárság a magyarázatokban, és a fekete-fehér nyomtatás használata, ami elvonja a figyelmet az illusztrációkról.
(24 olvasói vélemény alapján)
Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools
Minden második nap hallunk a mélytanulás új felhasználási módjairól: jobb orvosi képalkotás, pontos hitelkártyacsalások felderítése, nagy hatótávolságú időjárás-előrejelzés és így tovább. A PyTorch ezeket a szupererőket adja a kezedbe, kényelmes Python-tapasztalatot nyújtva, amellyel gyorsan elkezdheted, majd együtt fejlődhetsz veled, ahogy te - és a mélytanulási képességeid - egyre kifinomultabbá válnak. A Deep Learning with PyTorch ezt az utat magával ragadóvá és szórakoztatóvá teszi.
Összefoglaló.
Minden második nap hallunk a mélytanulás új felhasználási módjairól: jobb orvosi képalkotás, pontos hitelkártyacsalások felderítése, nagy hatótávolságú időjárás-előrejelzés és így tovább. A PyTorch ezeket a szuperhatalmakat az Ön kezébe adja, kényelmes Python-tapasztalatot nyújtva, amely gyorsan elindítja Önt, majd együtt növekszik Önnel, ahogy Ön - és a mélytanulási készségei - egyre kifinomultabbá válnak. A Deep Learning with PyTorch ezt az utat magával ragadóvá és szórakoztatóvá teszi.
Előszó: Soumith Chintala, a PyTorch társalkotója.
A nyomtatott könyv megvásárlása magában foglalja a Manning Publications ingyenes e-könyvét PDF, Kindle és ePub formátumban.
A technológiáról.
Bár sok mélytanulási eszköz használ Pythont, a PyTorch könyvtár valóban Pythonos. A PyTorch azonnal ismerős mindenkinek, aki ismeri a PyData eszközöket, például a NumPy-t és a scikit-learn-t. A PyTorch leegyszerűsíti a mélytanulást anélkül, hogy feláldozná a fejlett funkciókat. Kiválóan alkalmas gyors modellek építésére, és simán skálázódik a laptopoktól a vállalatokig. Mivel az olyan vállalatok, mint az Apple, a Facebook és a JPMorgan Chase a PyTorch-ra támaszkodnak, ez egy nagyszerű készség a karrierlehetőségek bővítése során. A PyTorch-csal könnyen el lehet kezdeni a munkát. Minimalizálja a kognitív többletköltséget anélkül, hogy feláldozná a fejlett funkciókhoz való hozzáférést, ami azt jelenti, hogy arra koncentrálhat, ami a legfontosabb - a legújabb és legjobb mélytanulási modellek építésére és képzésére, és hozzájárulhat ahhoz, hogy a világot jobbá tegye. A PyTorch emellett pillanatok alatt skálázható és bővíthető, és jól együttműködik más Python-eszközökkel. A PyTorch-ot több száz mélytanulással foglalkozó szakember és számos első osztályú szereplő, például a FAIR, az OpenAI, a FastAI és a Purdue is elfogadta.
A könyvről.
A Deep Learning with PyTorch megtanít neurális hálózatokat és mély tanulási rendszereket létrehozni PyTorch segítségével. Ez a gyakorlatias könyv gyorsan rávesz egy valós példa megépítésére a semmiből: egy tumoros képosztályozót. Útközben kitér a teljes DL-csővezetékre vonatkozó legjobb gyakorlatokra, beleértve a PyTorch Tensor API-t, az adatok Pythonban történő betöltését, a képzés felügyeletét és az eredmények vizualizálását. Az alapok lefedése után a könyv végigvezeti Önt a nagyobb projekteken. A könyv középpontjában egy rákfelismerésre tervezett neurális hálózat áll. Felfedezi a hálózatok korlátozott bemenetekkel történő képzésének módjait, és elkezdi az adatok feldolgozását, hogy eredményeket kapjon. Átrostálod a megbízhatatlan kezdeti eredményeket, és arra összpontosítasz, hogyan diagnosztizáld és javítsd ki a neurális hálózatod problémáit. Végezetül megvizsgálja, hogyan javíthatja eredményeit a megnövelt adatokkal való képzéssel, a modell architektúrájának javításával és egyéb finomhangolásokkal.
Mi van benne?
Mély neurális hálózatok képzése.
Modulok és veszteségfüggvények implementálása.
A PyTorch Hub előzetesen betanított modelljeinek felhasználása.
Kódminták felfedezése a Jupyter Notebooksban.
Az olvasóról.
A gépi tanulás iránt érdeklődő Python programozóknak.
A szerzőről.
Eli Stevens a szoftvermérnöktől a technológiai igazgatóig számos szerepet töltött be, jelenleg pedig az önvezető autók gépi tanulásán dolgozik. Luca Antiga egy AI mérnöki cég és egy AI tech startup társalapítója, valamint korábbi PyTorch munkatárs. Thomas Viehmann PyTorch magfejlesztő és gépi tanulás oktatója és tanácsadója. müncheni székhelyű tanácsadó és PyTorch magfejlesztő.
Tartalomjegyzék.
1. RÉSZ - PYTORCH MAG
1 A mélytanulás és a PyTorch könyvtár bemutatása.
2 Előre betanított hálózatok.
3 Egy tenzorral kezdődik.
4 Valós adatok reprezentációja tenzorok segítségével.
5 A tanulás mechanikája.
6 Neurális hálózat használata az adatokhoz való illesztéshez.
7 A madarak megkülönböztetése a repülőgépektől: Tanulás képekből.
8 Konvolúciók használata általánosításhoz.
2. RÉSZ - TANULÁS KÉPEKBŐL A VALÓ VILÁGBAN: A TÜDŐRÁK KORAI FELISMERÉSE
9 A PyTorch használata a rák elleni küzdelemben.
10 Adatforrások egyesítése egységes adathalmazzá.
11 Osztályozási modell képzése a gyanús daganatok felismerésére.
12 A képzés javítása metrikákkal és augmentációval.
13 Szegmentáció használata a gyanús csomók felkutatására.
14 Végponttól végpontig tartó csomóelemzés és a további teendők.
3. RÉSZ - BEVETÉS
15 A termelésbe való telepítés.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)
