Originaltitel:
Automated Deep Learning Using Neural Network Intelligence: Develop and Design Pytorch and Tensorflow Models Using Python
Inhalt des Buches:
Optimieren, entwickeln und entwerfen Sie PyTorch- und TensorFlow-Modelle für ein bestimmtes Problem mit dem Microsoft Neural Network Intelligence (NNI) Toolkit. Dieses Buch enthält praktische Beispiele, die automatisierte Deep-Learning-Ansätze illustrieren, und bietet Techniken, die Ihnen die Entwicklung von Deep-Learning-Modellen erleichtern.
Die ersten Kapitel dieses Buches behandeln die Grundlagen der Nutzung des NNI-Toolkits und Methoden zur Lösung von Hyperparameter-Optimierungsaufgaben. Sie werden das Blackbox-Funktionsmaximierungsproblem unter Verwendung von NNI verstehen und wissen, wie man ein TensorFlow- oder PyTorch-Modell für Hyperparameter-Tuning vorbereitet, ein Experiment startet und die Ergebnisse interpretiert. Das Buch taucht in Optimierungs-Tuner und die Suchalgorithmen ein, auf denen sie basieren: Evolutionssuche, Annealing-Suche und der Bayes'sche Optimierungsansatz. Die Suche nach neuronalen Architekturen wird behandelt und Sie lernen, wie Sie Deep-Learning-Modelle von Grund auf entwickeln können. Es werden Mehrversuchs- und One-Shot-Suchansätze für das automatische Design neuronaler Netze vorgestellt. Das Buch lehrt Sie, wie Sie einen Suchraum konstruieren und eine Architektursuche unter Verwendung der modernsten Explorationsstrategien starten können: Effiziente neuronale Architektursuche (ENAS) und differentielle Architektursuche (DARTS). Sie werden lernen, wie Sie die Konstruktion einer neuronalen Netzwerkarchitektur für ein bestimmtes Problem und einen bestimmten Datensatz automatisieren können. Der Schwerpunkt des Buches liegt auf Modellkomprimierung und Feature-Engineering-Methoden, die für automatisiertes Deep Learning unerlässlich sind. Es enthält auch Leistungstechniken, die die Erstellung von groß angelegten verteilten Trainingsplattformen mit NNI ermöglichen.
Nach der Lektüre dieses Buches wissen Sie, wie Sie die gesamte Palette der automatisierten Deep-Learning-Methoden nutzen können. Die in diesem Buch vorgestellten Techniken und praktischen Beispiele werden es Ihnen ermöglichen, Ihre neuronalen Netzwerkroutinen auf ein höheres Niveau zu bringen.
(Was Sie lernen werden)
⬤ Kennen Sie die grundlegenden Konzepte von Optimierungstunern, Suchraum und Versuchen.
⬤ Verschiedene Hyper-Parameter-Optimierungsalgorithmen anwenden, um effektive neuronale Netze zu entwickeln.
⬤ Konstruieren Sie neue Deep-Learning-Modelle von Grund auf.
⬤ Ausführen der automatisierten neuronalen Architektursuche, um moderne Deep-Learning-Modelle zu erstellen.
⬤ Komprimieren Sie das Modell, um unnötige Deep-Learning-Schichten zu eliminieren.
Für wen ist dieses Buch gedacht?
Mittlere bis fortgeschrittene Datenwissenschaftler und Ingenieure für maschinelles Lernen, die sich mit Deep Learning und der praktischen Entwicklung neuronaler Netzwerke beschäftigen.
Weitere Daten des Buches:
| ISBN: | 9781484281482 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2022 |
| Seitenzahl: | 384 |
Kauf:
Derzeit verfügbar, auf Lager.
