Pytorch Pocket Reference: Budowanie i wdrażanie modeli głębokiego uczenia się

Opinie czytelników

Książka jest mieszanką przydatnych spostrzeżeń i istotnych wad. Podczas gdy niektórzy użytkownicy doceniają jej zwięzłe wskazówki i praktyczne odniesienia do PyTorch, inni krytykują jej rozmiar, formatowanie i przestarzałą zawartość, sugerując, że wymaga lepszego wykonania i aktualizacji.

** Zapewnia szybkie odniesienie dla użytkowników PyTorch. ** Zwięzły i pouczający, oferujący praktyczne wskazówki wykraczające poza proste odniesienie do API. ** Dobrze nadaje się dla osób uczących się samodzielnie i poszukujących najlepszych praktyk. ** Kompleksowe podejście do kompleksowego rozwoju w kieszonkowym formacie.

** Książka jest fizycznie mała z bardzo małą czcionką, co utrudnia jej czytanie. ** Treść jest często przestarzała lub niedokładna, z reklamacjami dotyczącymi zepsutych przykładów kodu. ** Brak dogłębnych wyjaśnień, co prowadzi do marnowania miejsca na podstawowe informacje. ** Brak wymagań dotyczących wersji lub wytycznych dotyczących odtwarzalności. ** Wielu użytkowników sugeruje, że lepsze zasoby są dostępne online w porównaniu do tej książki.

(na podstawie 13 opinii czytelników)

Oryginalny tytuł:

Pytorch Pocket Reference: Building and Deploying Deep Learning Models

Zawartość książki:

Ta zwięzła, łatwa w użyciu publikacja stawia jeden z najpopularniejszych frameworków do badań i rozwoju głębokiego uczenia na wyciągnięcie ręki. Autor Joe Papa zapewnia natychmiastowy dostęp do składni, wzorców projektowych i przykładów kodu, aby przyspieszyć rozwój i skrócić czas spędzany na poszukiwaniu odpowiedzi.

Naukowcy, inżynierowie uczenia maszynowego i programiści znajdą przejrzysty, uporządkowany kod PyTorch, który obejmuje każdy etap rozwoju sieci neuronowej - od ładowania danych po dostosowywanie pętli treningowych, optymalizację modelu i akcelerację GPU / GPU. Szybko dowiesz się, jak wdrożyć swój kod do produkcji przy użyciu AWS, Google Cloud lub Azure i wdrożyć modele ML na urządzeniach mobilnych i brzegowych.

⬤ Poznanie podstawowej składni PyTorch i wzorców projektowych.

⬤ Tworzenie niestandardowych modeli i transformacji danych.

⬤ Trenowanie i wdrażanie modeli przy użyciu GPU i TPU.

⬤ Trenowanie i testowanie klasyfikatora głębokiego uczenia.

⬤ Przyspiesz szkolenie przy użyciu optymalizacji i szkolenia rozproszonego.

⬤ Dostęp do przydatnych bibliotek PyTorch i ekosystemu PyTorch.