Programování Pytorch pro hluboké učení: Ptorch: Vytváření a nasazení aplikací pro hluboké učení

Recenze čtenářů

Kniha slouží jako úvod do PyTorchu a hlubokého učení a poskytuje ucelený přehled různých architektur a technik. Přestože obsahuje praktické příklady a kritické kroky v procesu učení, byla kritizována za chyby v kódu, nedostatečnou hloubku a přílišnou základnost.

⬤ Pokrývá širokou škálu architektur a technik
⬤ slouží jako dobrý úvod do PyTorchu
⬤ praktické příklady a projekty
⬤ dobře organizuje obsah
⬤ poskytuje kritické tipy pro praktiky
⬤ obsahuje online odkazy.

⬤ Příklady kódu často nejsou spustitelné
⬤ mnoho chyb a překlepů v kódu
⬤ chybí hloubka témat
⬤ některý obsah působí recyklovaně nebo neúplně
⬤ vytištěno černobíle
⬤ nemusí být vhodné pro pokročilé studenty.

(na základě 19 hodnocení čtenářů)

Původní název:

Programming Pytorch for Deep Learning: Creating and Deploying Deep Learning Applications

Obsah knihy:

Udělejte další kroky ke zvládnutí hlubokého učení, metody strojového učení, která každou vteřinou mění svět kolem nás. V této praktické knize se seznámíte s klíčovými myšlenkami pomocí open source frameworku PyTorch společnosti Facebook a získáte nejnovější dovednosti potřebné k vytváření vlastních neuronových sítí.

Ian Pointer vám ukáže, jak nastavit PyTorch v cloudovém prostředí, a poté vás prostřednictvím hlubokého ponoru do jednotlivých prvků provede tvorbou neuronových architektur, které usnadňují operace s obrázky, zvukem, textem a dalšími prvky. Zabývá se také kritickými koncepty použití transferového učení na obrázky, laděním modelů a PyTorchem v produkci.

⬤ Zjistěte, jak nasadit modely hlubokého učení do produkce.

⬤ Prozkoumejte případy použití PyTorch od několika předních společností.

⬤ Zjistěte, jak aplikovat transfer learning na obrázky.

⬤ Aplikujte špičkové techniky NLP pomocí modelu natrénovaného na Wikipedii.

⬤ Použijte knihovnu torchaudio od PyTorch ke klasifikaci zvukových dat pomocí modelu založeného na konvoluci.

⬤ Debugujte modely PyTorch pomocí TensorBoard a flame grafů.

⬤ Provozovat aplikace PyTorch v produkčním prostředí v kontejnerech Docker a klastrech Kubernetes běžících v cloudu Google.