Nauka PyTorch 2.0: Eksperymentuj z głębokim uczeniem od podstaw do złożonych modeli przy użyciu wszystkich potencjalnych możliwości Pythonic PyTorch

Opinie czytelników

Książka oferuje mieszane doświadczenia dla użytkowników próbujących nauczyć się PyTorch. Niektórzy chwalą jej przystępność i praktyczne przykłady, inni krytykują styl pisania, dobór tematów i brak wyczerpujących wyjaśnień.

Przystępny dla początkujących, jasne wyjaśnienia, pomocne przykłady kodu, łatwe tempo nauki.

Słaby styl pisania, brak dogłębnych wyjaśnień, dziwny dobór tematów, wysoka cena za dostarczoną wartość i brak ważnych pojęć.

(na podstawie 4 opinii czytelników)

Oryginalny tytuł:

Learning PyTorch 2.0: Experiment deep learning from basics to complex models using every potential capability of Pythonic PyTorch

Zawartość książki:

Ta książka jest kompleksowym przewodnikiem po zrozumieniu i wykorzystaniu PyTorch 2. 0 w aplikacjach głębokiego uczenia. Zaczyna się od wprowadzenia do PyTorch, jego różnych zalet w stosunku do innych frameworków głębokiego uczenia się i jego połączenia z CUDA w celu akceleracji GPU. Zagłębiamy się w serce PyTorch - tensory, poznając ich różne typy, właściwości i operacje. Dzięki przykładom krok po kroku czytelnik uczy się wykonywać podstawowe operacje arytmetyczne na tensorach, manipulować nimi i rozumieć błędy związane z kształtami tensorów.

Znaczna część książki poświęcona jest zilustrowaniu sposobu budowania prostych modeli PyTorch. Obejmuje to przesyłanie i przygotowywanie zbiorów danych, definiowanie architektury, szkolenie i prognozowanie. Zapewnia praktyczne ćwiczenia z rzeczywistym zestawem danych. Następnie książka zagłębia się w eksplorację modułu nn PyTorch i zawiera szczegółowe porównanie różnych typów sieci, takich jak Feedforward, RNN, GRU, CNN i ich kombinacji.

Ponadto książka zagłębia się w zrozumienie procesu szkolenia i modułu optymalizacji PyTorch. Bada przegląd algorytmów optymalizacji, takich jak Gradient Descent, SGD, Mini-batch Gradient Descent, Momentum, Adagrad i Adam. Osobny rozdział skupia się na zaawansowanych koncepcjach PyTorch 2. 0, takich jak serializacja modeli, optymalizacja, szkolenie rozproszone i PyTorch Quantization API.

W końcowych rozdziałach książki omówiono różnice między TensorFlow 2.0 i PyTorch 2. 0 oraz krok po kroku proces migracji modelu TensorFlow do PyTorch 2. 0 przy użyciu ONNX. Zawiera przegląd typowych problemów napotykanych podczas tego procesu i sposobów ich rozwiązywania.

Kluczowe wnioski.

⬤ Kompleksowe wprowadzenie do PyTorch i CUDA dla głębokiego uczenia.

⬤ Szczegółowe zrozumienie i operacje na tensorach PyTorch.

⬤ Przewodnik krok po kroku dotyczący tworzenia prostych modeli PyTorch.

⬤ Wgląd w moduł nn PyTorch i porównanie różnych typów sieci.

⬤ Przegląd procesu szkolenia i eksploracja modułu optymalizacji PyTorch.

⬤ Zrozumienie zaawansowanych koncepcji PyTorch, takich jak serializacja i optymalizacja modeli.

⬤ Wiedza na temat szkolenia rozproszonego w PyTorch.

⬤ Praktyczny przewodnik po korzystaniu z interfejsu API kwantyzacji PyTorch.

⬤ Różnice między TensorFlow 2.0 i PyTorch 2. 0.

⬤ Wskazówki dotyczące migracji modeli TensorFlow do PyTorch przy użyciu ONNX.

Spis treści.

⬤ Wprowadzenie do Pytorch 2. 0 i CUDA 11. 8.

⬤ Rozpoczęcie pracy z Tensorami.

⬤ Zaawansowane operacje na tensorach.

⬤ Budowanie sieci neuronowych za pomocą PyTorch 2. 0.

⬤ Trenowanie sieci neuronowych w PyTorch 2. 0.

⬤ PyTorch 2. 0 Advanced.

⬤ Migracja z TensorFlow do PyTorch 2. 0.

⬤ Kompleksowy model regresji PyTorch.

Odbiorcy.

Doskonała i zręczna książka dla każdego inżyniera uczenia maszynowego, naukowca zajmującego się danymi, inżyniera AI i badacza danych, którzy z pasją dążą do uzyskania użytecznej inteligencji za pomocą PyTorch 2. Znajomość języka Python i podstaw głębokiego uczenia się to wszystko, czego potrzebujesz, aby przejść przez tę książkę.