Ocena:
Książka jest powszechnie chwalona za kompleksowe i przejrzyste wprowadzenie do Deep Learning i PyTorch, oferując równowagę między teorią a praktycznymi przykładami kodowania. Jest jednak krytykowana za niską jakość druku, brak niektórych zaawansowanych tematów i rozwlekły styl pisania, który może umniejszać doświadczenie w nauce.
Zalety:Dogłębne omówienie PyTorch i Deep Learning, pomocne przykłady kodu, dobrze zorganizowana treść przemawiająca do szerokiego grona odbiorców, silny nacisk na praktykę, dobre wprowadzenie dla początkujących i doskonałe zasoby do wdrożenia w produkcji.
Wady:Słaba jakość druku i papieru, brak rozdziałów na zaawansowane tematy, takie jak modele językowe i uwaga, pewna gadatliwość w objaśnieniach oraz użycie czarno-białego druku, który odwraca uwagę od ilustracji.
(na podstawie 24 opinii czytelników)
Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools
Każdego dnia słyszymy o nowych sposobach wykorzystania głębokiego uczenia: ulepszonym obrazowaniu medycznym, dokładnym wykrywaniu oszustw związanych z kartami kredytowymi, prognozowaniu pogody na duże odległości i nie tylko. PyTorch oddaje te supermoce w twoje ręce, zapewniając wygodne doświadczenie Pythona, które pozwoli ci szybko zacząć, a następnie rozwijać się wraz z tobą, gdy ty - i twoje umiejętności głębokiego uczenia się - staniesz się bardziej wyrafinowany. Deep Learning with PyTorch sprawi, że ta podróż będzie wciągająca i przyjemna.
Podsumowanie.
Każdego dnia słyszymy o nowych sposobach na dobre wykorzystanie głębokiego uczenia: ulepszone obrazowanie medyczne, dokładne wykrywanie oszustw związanych z kartami kredytowymi, prognozowanie pogody na duże odległości i wiele innych. PyTorch oddaje te supermoce w twoje ręce, zapewniając wygodne środowisko Pythona, które pozwoli ci szybko zacząć, a następnie będzie rosło wraz z tobą, gdy ty - i twoje umiejętności głębokiego uczenia się - staniesz się bardziej wyrafinowany. Deep Learning with PyTorch sprawi, że ta podróż będzie wciągająca i przyjemna.
Przedmowa autorstwa Soumitha Chintali, współtwórcy PyTorch.
Zakup książki drukowanej obejmuje bezpłatny eBook w formatach PDF, Kindle i ePub od Manning Publications.
O technologii.
Chociaż wiele narzędzi do głębokiego uczenia korzysta z języka Python, biblioteka PyTorch jest prawdziwie Pythoniczna. Natychmiast znany każdemu, kto zna narzędzia PyData, takie jak NumPy i scikit-learn, PyTorch upraszcza głębokie uczenie się bez poświęcania zaawansowanych funkcji. Doskonale nadaje się do budowania szybkich modeli i płynnie skaluje się od laptopa do przedsiębiorstwa. Ponieważ firmy takie jak Apple, Facebook i JPMorgan Chase polegają na PyTorch, jest to świetna umiejętność, którą warto posiadać, aby poszerzyć swoje możliwości kariery. Rozpoczęcie pracy z PyTorch jest łatwe. Minimalizuje koszty poznawcze bez poświęcania dostępu do zaawansowanych funkcji, co oznacza, że możesz skupić się na tym, co najważniejsze - budowaniu i szkoleniu najnowszych i najlepszych modeli głębokiego uczenia się i przyczyniać się do zmiany świata. PyTorch jest również łatwy do skalowania i rozszerzania, a także dobrze współpracuje z innymi narzędziami Python. PyTorch został przyjęty przez setki praktyków głębokiego uczenia się i kilku pierwszorzędnych graczy, takich jak FAIR, OpenAI, FastAI i Purdue.
O książce.
Deep Learning with PyTorch uczy tworzenia sieci neuronowych i systemów głębokiego uczenia za pomocą PyTorch. Ta praktyczna książka pozwala szybko rozpocząć pracę nad tworzeniem od podstaw rzeczywistego przykładu: klasyfikatora obrazów nowotworów. Po drodze omawia najlepsze praktyki dla całego potoku DL, w tym PyTorch Tensor API, ładowanie danych w Pythonie, monitorowanie treningu i wizualizację wyników. Po omówieniu podstaw, książka zabierze Cię w podróż przez większe projekty. Centralnym punktem książki jest sieć neuronowa zaprojektowana do wykrywania raka. Odkryjesz sposoby trenowania sieci z ograniczonymi danymi wejściowymi i zaczniesz przetwarzać dane, aby uzyskać pewne wyniki. Następnie przebrniesz przez niewiarygodne wyniki początkowe i skupisz się na tym, jak zdiagnozować i naprawić problemy w sieci neuronowej. Wreszcie, przyjrzysz się sposobom na poprawę wyników poprzez trenowanie z rozszerzonymi danymi, wprowadzanie ulepszeń w architekturze modelu i wykonywanie innych precyzyjnych dostrojeń.
Co jest w środku.
Trenowanie głębokich sieci neuronowych.
Implementowanie modułów i funkcji strat.
Wykorzystanie wstępnie wytrenowanych modeli z PyTorch Hub.
Eksplorowanie przykładów kodu w Jupyter Notebooks.
O czytelniku.
Dla programistów Pythona zainteresowanych uczeniem maszynowym.
O autorze.
Eli Stevens pełnił role od inżyniera oprogramowania do CTO, a obecnie pracuje nad uczeniem maszynowym w branży samochodów autonomicznych. Luca Antiga jest współzałożycielem firmy zajmującej się inżynierią AI i startupu zajmującego się technologią AI, a także byłym współpracownikiem PyTorch. Thomas Viehmann jest głównym programistą PyTorch oraz trenerem i konsultantem ds. uczenia maszynowego. konsultant z siedzibą w Monachium w Niemczech i główny programista PyTorch.
Spis treści.
CZĘŚĆ 1 - CORE PYTORCH
1 Wprowadzenie do głębokiego uczenia i biblioteki PyTorch.
2 Wstępnie wytrenowane sieci.
3 Zaczyna się od tensora.
4 Reprezentacja danych w świecie rzeczywistym przy użyciu tensorów.
5 Mechanika uczenia się.
6 Wykorzystanie sieci neuronowej do dopasowania danych.
7 Odróżnianie ptaków od samolotów: Uczenie się na podstawie obrazów.
8 Wykorzystanie konwolucji do generalizacji.
CZĘŚĆ 2 - UCZENIE SIĘ NA PODSTAWIE OBRAZÓW W ŚWIECIE RZECZYWISTYM: WCZESNE WYKRYWANIE RAKA PŁUC.
9 Wykorzystanie PyTorch do walki z rakiem.
10 Łączenie źródeł danych w ujednolicony zbiór danych.
11 Trenowanie modelu klasyfikacji w celu wykrywania podejrzanych guzów.
12 Ulepszanie szkolenia za pomocą metryk i augmentacji.
13 Wykorzystanie segmentacji do znalezienia podejrzanych guzków.
14 Kompleksowa analiza guzków i co dalej.
CZĘŚĆ 3 - WDROŻENIE
15 Wdrożenie do produkcji.
© Book1 Group - wszelkie prawa zastrzeżone.
Zawartość tej strony nie może być kopiowana ani wykorzystywana w całości lub w części bez pisemnej zgody właściciela.
Ostatnia aktualizacja: 2024.11.13 21:45 (GMT)