Deep Learning with Pytorch: Vytvářejte, trénujte a vylaďte neuronové sítě pomocí nástrojů Pythonu

Recenze čtenářů

Kniha je oceňována za komplexní a srozumitelný úvod do Deep Learning a PyTorch, který nabízí vyváženou teorii a praktické příklady kódování. Je však kritizována za špatnou kvalitu tisku, absenci některých pokročilých témat a mnohomluvný styl psaní, který může odvádět pozornost od učení.

Důkladné pokrytí PyTorchu a Deep Learningu, užitečné příklady kódu, dobře organizovaný obsah přitažlivý pro široké publikum, silné praktické zaměření, dobrý úvod pro začátečníky a vynikající zdroje pro nasazení do produkce.

Podprůměrná kvalita tisku a papíru, nedostatek kapitol o pokročilých tématech, jako jsou jazykové modely a pozornost, určitá mnohomluvnost ve výkladech a použití černobílého tisku, který znehodnocuje ilustrace.

(na základě 24 hodnocení čtenářů)

Původní název:

Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools

Obsah knihy:

Každý druhý den se dozvídáme o nových možnostech využití hlubokého učení: vylepšené lékařské zobrazování, přesná detekce podvodů s kreditními kartami, předpověď počasí na dlouhou vzdálenost a další. PyTorch vám dává tyto superschopnosti do rukou a poskytuje pohodlné prostředí jazyka Python, které vám umožní rychle začít a pak s vámi roste, jak se vy - a vaše dovednosti v oblasti hlubokého učení - stávají stále sofistikovanějšími. Hluboké učení s PyTorchem vám tuto cestu zpříjemní a učiní ji zábavnou.

Shrnutí.

Každý druhý den se dozvídáme o nových způsobech využití hlubokého učení: vylepšené lékařské zobrazování, přesná detekce podvodů s kreditními kartami, předpověď počasí na dlouhou vzdálenost a další. PyTorch vám dává tyto superschopnosti do rukou a poskytuje pohodlné prostředí jazyka Python, které vás rychle uvede do práce a pak roste spolu s vámi, jak se vy - a vaše dovednosti v oblasti hlubokého učení - stávají stále sofistikovanějšími. Hluboké učení s PyTorchem vám tuto cestu zpříjemní a učiní ji zábavnou.

Předmluvu napsal Soumith Chintala, spolutvůrce PyTorchu.

Zakoupení tištěné knihy zahrnuje bezplatnou elektronickou knihu ve formátech PDF, Kindle a ePub od Manning Publications.

O technologii: V knize je použito několik technologií, které se používají při tvorbě knih, např.

Ačkoli mnoho nástrojů pro hluboké učení používá Python, knihovna PyTorch je skutečně pythonovská. PyTorch je okamžitě známý každému, kdo zná nástroje PyData, jako jsou NumPy a scikit-learn, a zjednodušuje hluboké učení, aniž by obětoval pokročilé funkce. Je vynikající pro rychlé vytváření modelů a plynule se škáluje od notebooku až po podnik. Protože na PyTorch spoléhají společnosti jako Apple, Facebook a JPMorgan Chase, je to skvělá dovednost, kterou můžete mít při rozšiřování svých kariérních možností. Začít s PyTorchem je snadné. Minimalizuje kognitivní režii, aniž byste obětovali přístup k pokročilým funkcím, což znamená, že se můžete soustředit na to, co je nejdůležitější - vytvářet a trénovat nejnovější a nejlepší modely hlubokého učení a přispívat k tomu, abyste udělali díru do světa. PyTorch se také snadno škáluje a rozšiřuje a dobře spolupracuje s dalšími nástroji Pythonu. PyTorch přijaly stovky odborníků na hluboké učení a několik prvotřídních hráčů, jako jsou FAIR, OpenAI, FastAI a Purdue.

O knize.

Deep Learning with PyTorch vás naučí vytvářet neuronové sítě a systémy hlubokého učení pomocí PyTorchu. V této praktické knize se rychle pustíte do práce a od základu vytvoříte reálný příklad: klasifikátor obrázků nádorů. Cestou se zabývá osvědčenými postupy pro celou DL pipeline, včetně rozhraní PyTorch Tensor API, načítání dat v jazyce Python, monitorování trénování a vizualizace výsledků. Po pokrytí základů vás kniha provede rozsáhlejšími projekty. Ústředním tématem knihy je neuronová síť určená k detekci rakoviny. Objevíte způsoby trénování sítí s omezenými vstupy a začnete zpracovávat data, abyste získali nějaké výsledky. Prosejete nespolehlivé počáteční výsledky a zaměříte se na to, jak diagnostikovat a odstranit problémy v neuronové síti. Nakonec se podíváte na způsoby, jak zlepšit výsledky trénováním s rozšířenými daty, provedete vylepšení architektury modelu a další jemné doladění.

Co najdete uvnitř.

Trénování hlubokých neuronových sítí.

Implementace modulů a ztrátových funkcí.

Využití předtrénovaných modelů z PyTorch Hubu.

Zkoumání ukázek kódu v zápisnících Jupyter Notebook.

O čtenáři.

Pro programátory v Pythonu se zájmem o strojové učení.

O autorovi.

Eli Stevens prošel řadou funkcí od softwarového inženýra až po technického ředitele a v současné době pracuje na strojovém učení v oblasti samořídících automobilů. Luca Antiga je spoluzakladatelem společnosti zabývající se inženýrstvím umělé inteligence a startupu zabývajícího se technologiemi umělé inteligence a také bývalým přispěvatelem PyTorchu. Thomas Viehmann je vývojář jádra PyTorch a školitel a konzultant strojového učení. konzultant se sídlem v Mnichově v Německu a vývojář jádra PyTorch.

Obsah.

ČÁST 1 - JÁDRO PYTORCH

1 Představení hlubokého učení a knihovny PyTorch.

2 Předtrénované sítě.

3 Začíná to tenzorem.

4 Reprezentace reálných dat pomocí tenzorů.

5 Mechanika učení.

6 Použití neuronové sítě k přizpůsobení dat.

7 Rozpoznávání ptáků od letadel: Učení z obrázků.

8 Použití konvolucí ke zobecnění.

2. ČÁST - UČENÍ Z OBRÁZKŮ V REÁLNÉM SVĚTĚ: VČASNÁ DETEKCE RAKOVINY PLIC.

9 Použití PyTorchu v boji proti rakovině.

10 Spojování zdrojů dat do jednotné datové sady.

11 Trénování klasifikačního modelu pro detekci podezřelých nádorů.

12 Zlepšení trénování pomocí metrik a rozšiřování.

13 Použití segmentace k vyhledávání podezřelých uzlin.

14 Analýza uzlin od konce ke konci a kam dál.

ČÁST 3 - NASAZENÍ

15 Nasazení do produkce.