Automated Deep Learning Using Neural Network Intelligence: Develop and Design Pytorch and Tensorflow Models Using Python
Optymalizuj, rozwijaj i projektuj modele PyTorch i TensorFlow dla konkretnego problemu przy użyciu zestawu narzędzi Microsoft Neural Network Intelligence (NNI). Książka ta zawiera praktyczne przykłady ilustrujące zautomatyzowane podejścia do głębokiego uczenia się i zapewnia techniki ułatwiające rozwój modelu głębokiego uczenia się.
Pierwsze rozdziały tej książki obejmują podstawy korzystania z zestawu narzędzi NNI i metod rozwiązywania zadań optymalizacji hiper-parametrów. Zrozumiesz problem maksymalizacji funkcji czarnej skrzynki przy użyciu NNI i dowiesz się, jak przygotować model TensorFlow lub PyTorch do strojenia hiper-parametrów, uruchomić eksperyment i zinterpretować wyniki. Książka omawia tunery optymalizacyjne i algorytmy wyszukiwania, na których są one oparte: Wyszukiwanie ewolucyjne, wyszukiwanie wyżarzania i podejście optymalizacji bayesowskiej. Omówiono wyszukiwanie architektury neuronowej i dowiesz się, jak opracować modele głębokiego uczenia się od podstaw. Przedstawiono podejścia do automatycznego projektowania sieci neuronowych oparte na wyszukiwaniu wielopróbnym i jednostrzałowym. Książka uczy, jak skonstruować przestrzeń wyszukiwania i uruchomić wyszukiwanie architektury przy użyciu najnowszych strategii eksploracji: Efficient Neural Architecture Search (ENAS) i Differential Architectural Search (DARTS). Dowiesz się, jak zautomatyzować budowę architektury sieci neuronowej dla konkretnego problemu i zbioru danych. Książka koncentruje się na kompresji modeli i metodach inżynierii cech, które są niezbędne w zautomatyzowanym uczeniu głębokim. Obejmuje ona również techniki wydajnościowe, które umożliwiają tworzenie rozproszonych platform szkoleniowych na dużą skalę przy użyciu NNI.
Po przeczytaniu tej książki będziesz wiedział, jak korzystać z pełnego zestawu narzędzi zautomatyzowanych metod głębokiego uczenia. Techniki i praktyczne przykłady przedstawione w tej książce pozwolą ci przenieść procedury sieci neuronowych na wyższy poziom.
Czego się nauczysz
⬤ Znać podstawowe koncepcje tunerów optymalizacyjnych, przestrzeni poszukiwań i prób.
⬤ Zastosować różne algorytmy optymalizacji hiper-parametrów w celu opracowania skutecznych sieci neuronowych.
⬤ Konstruować nowe modele głębokiego uczenia od podstaw.
⬤ Wykonywać zautomatyzowane wyszukiwanie architektury neuronowej w celu tworzenia najnowocześniejszych modeli głębokiego uczenia.
⬤ Kompresja modelu w celu wyeliminowania niepotrzebnych warstw głębokiego uczenia.
Dla kogo jest ta książka
Dla średniozaawansowanych i zaawansowanych analityków danych i inżynierów uczenia maszynowego zajmujących się głębokim uczeniem i praktycznym rozwojem sieci neuronowych.
