Ocena:
Książka jest praktycznym źródłem wiedzy na temat PyTorch i głębokiego uczenia się, oferując praktyczne podejście do różnych architektur i koncepcji w tej dziedzinie. Obejmuje wdrażanie modeli, produkcję i zapewnia ćwiczenia poprawiające zrozumienie. Podczas gdy wielu użytkowników chwali ją za przejrzystość i kompleksowość, niektórzy krytykują ją za niekompletne przykłady kodu.
Zalety:⬤ Praktyczne, praktyczne podejście do nauki PyTorch i głębokiego uczenia.
⬤ Kompleksowe omówienie najważniejszych tematów, takich jak CNN, LSTM, GAN i uczenie ze wzmocnieniem.
⬤ Pomocne ćwiczenia w każdym rozdziale dla lepszego zrozumienia.
⬤ Dobra zarówno dla początkujących, jak i osób zaznajomionych z głębokim uczeniem.
⬤ Przejrzyste wyjaśnienia z intuicyjnymi diagramami.
⬤ Niektóre przykłady kodu są niekompletne lub przedstawione jako pseudokod, co prowadzi do frustracji.
⬤ Niektórzy użytkownicy doświadczyli problemów z wykonaniem dostarczonego kodu.
⬤ Głębia teorii matematycznej może być niewystarczająca dla tych, którzy szukają bardziej rygorystycznego podejścia.
(na podstawie 10 opinii czytelników)
Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features
Opanuj zaawansowane techniki i algorytmy głębokiego uczenia z PyTorch na rzeczywistych przykładach
Kluczowe cechy
⬤ Zrozumienie, jak używać PyTorch 1.x do budowania zaawansowanych modeli sieci neuronowych.
⬤ Naucz się wykonywać szeroki zakres zadań, wdrażając algorytmy i techniki głębokiego uczenia.
⬤ Zdobądź doświadczenie w takich dziedzinach jak widzenie komputerowe, NLP, Deep RL, Explainable AI i wiele innych.
Opis książki
Głębokie uczenie napędza rewolucję AI, a PyTorch sprawia, że tworzenie aplikacji głębokiego uczenia jest łatwiejsze niż kiedykolwiek wcześniej. Ta książka PyTorch pomoże ci odkryć techniki eksperckie, aby jak najlepiej wykorzystać dane i zbudować złożone modele sieci neuronowych.
Książka rozpoczyna się od krótkiego przeglądu PyTorch i bada wykorzystanie architektur konwolucyjnych sieci neuronowych (CNN) do klasyfikacji obrazów. Następnie będziesz pracować z architekturami rekurencyjnych sieci neuronowych (RNN) i transformatorami do analizy nastrojów. W miarę postępów będziesz stosować głębokie uczenie w różnych domenach, takich jak muzyka, tekst i generowanie obrazów przy użyciu modeli generatywnych oraz odkrywać świat generatywnych sieci przeciwstawnych (GAN). Nie tylko zbudujesz i wytrenujesz własne modele głębokiego uczenia ze wzmocnieniem w PyTorch, ale także wdrożysz modele PyTorch do produkcji, korzystając z porad i technik ekspertów. Wreszcie, opanujesz wydajne trenowanie dużych modeli w sposób rozproszony, efektywne wyszukiwanie architektur neuronowych za pomocą AutoML oraz szybkie prototypowanie modeli za pomocą PyTorch i fast. ai.
Pod koniec tej książki PyTorch będziesz w stanie wykonywać złożone zadania głębokiego uczenia się przy użyciu PyTorch do budowania inteligentnych modeli sztucznej inteligencji.
Czego się nauczysz
⬤ Wdrażać modele generowania tekstu i muzyki przy użyciu PyTorch.
⬤ Zbuduj model głębokiej sieci Q-network (DQN) w PyTorch.
⬤ Eksportować uniwersalne modele PyTorch przy użyciu Open Neural Network Exchange (ONNX).
⬤ Dobrze opanować szybkie prototypowanie przy użyciu PyTorch z szybkim. ai.
⬤ Skuteczne wyszukiwanie architektury neuronowej przy użyciu AutoML.
⬤ Łatwa interpretacja modeli uczenia maszynowego (ML) napisanych w PyTorch przy użyciu Captum.
⬤ Projektuj ResNets, LSTM, Transformers i nie tylko przy użyciu PyTorch.
⬤ Dowiedz się, jak używać PyTorch do rozproszonego szkolenia przy użyciu rozproszonego API.
Dla kogo jest ta książka
Ta książka jest przeznaczona dla naukowców zajmujących się danymi, badaczy uczenia maszynowego i praktyków głębokiego uczenia się, którzy chcą wdrożyć zaawansowane paradygmaty głębokiego uczenia się przy użyciu PyTorch 1.x. Wymagana jest praktyczna znajomość głębokiego uczenia się z programowaniem w Pythonie.