Kapesní příručka Pytorch: Tvorba a nasazení modelů hlubokého učení

Recenze čtenářů

Kniha je směsicí užitečných poznatků a významných nedostatků. Zatímco někteří uživatelé oceňují její stručný návod a praktické odkazy pro PyTorch, jiní kritizují její rozsah, formátování a zastaralý obsah a naznačují, že potřebuje lepší provedení a aktualizace.

** Poskytuje rychlou referenci pro uživatele PyTorchu. ** Je stručná a informativní a nabízí praktické pokyny nad rámec pouhého odkazu na API. ** Dobře se hodí pro samostatné studenty a ty, kteří hledají osvědčené postupy. ** Komplexní pro vývoj od začátku do konce v kapesním formátu.

** Kniha je fyzicky malá a má velmi drobné písmo, takže se špatně čte. ** Obsah je často zastaralý nebo nepřesný, stížnosti se týkají nefunkčních příkladů kódu. ** Chybí hloubka vysvětlení, což vede k plýtvání místem na základní informace. ** Nejsou uvedeny žádné požadavky na verze nebo pokyny pro reprodukovatelnost. ** Mnoho uživatelů naznačuje, že ve srovnání s touto knihou jsou na internetu k dispozici lepší zdroje.

(na základě 13 hodnocení čtenářů)

Původní název:

Pytorch Pocket Reference: Building and Deploying Deep Learning Models

Obsah knihy:

Tato stručná a snadno použitelná příručka vám poskytne jeden z nejoblíbenějších rámců pro výzkum a vývoj hlubokého učení. Autor Joe Papa poskytuje okamžitý přístup k syntaxi, návrhovým vzorům a příkladům kódu, které urychlí váš vývoj a zkrátí čas strávený hledáním odpovědí.

Výzkumní vědci, inženýři zabývající se strojovým učením a vývojáři softwaru zde najdou přehledný a strukturovaný kód PyTorch, který pokrývá každý krok vývoje neuronových sítí - od načítání dat přes přizpůsobení trénovacích smyček až po optimalizaci modelu a akceleraci na GPU/TPU. Rychle se naučíte, jak nasadit svůj kód do produkce pomocí AWS, Google Cloud nebo Azure a jak nasadit své ML modely na mobilní a okrajová zařízení.

⬤ Naučte se základní syntaxi PyTorch a návrhové vzory.

⬤ Vytvářejte vlastní modely a transformace dat.

⬤ Trénujte a nasazujte modely pomocí GPU a TPU.

⬤ Trénovat a testovat klasifikátor hlubokého učení.

⬤ Zrychlit trénování pomocí optimalizace a distribuovaného trénování.

⬤ Přístup k užitečným knihovnám PyTorch a ekosystému PyTorch.