Ocena:
Książka służy jako wprowadzenie do PyTorch i głębokiego uczenia, zapewniając spójny przegląd różnych architektur i technik. Chociaż zawiera praktyczne przykłady i krytyczne kroki w procesie uczenia się, została skrytykowana za błędy w kodzie, brak głębi i bycie zbyt podstawowym.
Zalety:⬤ Obejmuje szeroki zakres architektur i technik
⬤ służy jako dobre wprowadzenie do PyTorch
⬤ praktyczne przykłady i projekty
⬤ dobrze organizuje treść
⬤ zawiera krytyczne wskazówki dla praktyków
⬤ zawiera odniesienia online.
⬤ Przykłady kodu często nie są możliwe do uruchomienia
⬤ wiele błędów i literówek w kodzie
⬤ brak głębi w tematach
⬤ niektóre treści wydają się przetworzone lub niekompletne
⬤ wydrukowano w czerni i bieli
⬤ może nie być odpowiedni dla zaawansowanych uczniów.
(na podstawie 19 opinii czytelników)
Programming Pytorch for Deep Learning: Creating and Deploying Deep Learning Applications
Podejmij kolejne kroki w kierunku opanowania głębokiego uczenia, metody uczenia maszynowego, która z każdą sekundą zmienia otaczający nas świat. W tej praktycznej książce zapoznasz się z kluczowymi pomysłami wykorzystującymi framework PyTorch o otwartym kodzie źródłowym Facebooka i zdobędziesz najnowsze umiejętności potrzebne do tworzenia własnych sieci neuronowych.
Ian Pointer pokazuje, jak skonfigurować PyTorch w środowisku opartym na chmurze, a następnie przeprowadza przez tworzenie architektur neuronowych, które ułatwiają operacje na obrazach, dźwięku, tekście i nie tylko, poprzez dogłębne analizowanie każdego elementu. Obejmuje również krytyczne koncepcje stosowania uczenia transferowego do obrazów, debugowania modeli i PyTorch w produkcji.
⬤ Dowiedz się, jak wdrożyć modele głębokiego uczenia się do produkcji.
⬤ Poznaj przypadki użycia PyTorch w kilku wiodących firmach.
⬤ Dowiedz się, jak zastosować uczenie transferowe do obrazów.
⬤ Zastosuj najnowocześniejsze techniki NLP przy użyciu modelu wytrenowanego na Wikipedii.
⬤ Wykorzystanie biblioteki torchaudio PyTorch do klasyfikacji danych audio za pomocą modelu konwolucyjnego.
⬤ Debugowanie modeli PyTorch przy użyciu TensorBoard i wykresów płomieni.
⬤ Wdrażanie aplikacji PyTorch w środowisku produkcyjnym w kontenerach Docker i klastrach Kubernetes działających w chmurze Google Cloud.