Bewertung:
Das Buch bietet eine gemischte Erfahrung für Benutzer, die PyTorch erlernen wollen. Während einige die Zugänglichkeit und die praktischen Beispiele loben, kritisieren andere den Schreibstil, die Themenauswahl und den Mangel an umfassenden Erklärungen.
Vorteile:Zugänglich für Anfänger, klare Erklärungen, hilfreiche Codebeispiele, leichtes Lerntempo.
Nachteile:Schlechter Schreibstil, mangelnde Tiefe der Erklärungen, seltsame Themenauswahl, hoher Preis für den gebotenen Wert und Fehlen wichtiger Konzepte.
(basierend auf 4 Leserbewertungen)
Learning PyTorch 2.0: Experiment deep learning from basics to complex models using every potential capability of Pythonic PyTorch
Dieses Buch ist ein umfassender Leitfaden zum Verständnis und zur Nutzung von PyTorch 2. 0 für Deep-Learning-Anwendungen. Es beginnt mit einer Einführung in PyTorch, seinen verschiedenen Vorteilen gegenüber anderen Deep-Learning-Frameworks und seiner Verbindung mit CUDA zur GPU-Beschleunigung. Wir tauchen ein in das Herz von PyTorch - die Tensoren - und lernen ihre verschiedenen Typen, Eigenschaften und Operationen kennen. Anhand von Schritt-für-Schritt-Beispielen lernt der Leser, grundlegende arithmetische Operationen mit Tensoren durchzuführen, sie zu manipulieren und Fehler im Zusammenhang mit Tensorformen zu verstehen.
Ein wesentlicher Teil des Buches widmet sich der Veranschaulichung, wie man einfache PyTorch-Modelle erstellt. Dazu gehören das Hochladen und Vorbereiten von Datensätzen, die Definition der Architektur, das Training und die Vorhersage. Es bietet praktische Übungen mit einem realen Datensatz. Das Buch geht dann auf das nn-Modul von PyTorch ein und bietet einen detaillierten Vergleich verschiedener Netzwerktypen wie Feedforward, RNN, GRU, CNN und deren Kombination.
Darüber hinaus geht das Buch auf das Verständnis des Trainingsprozesses und des Optim-Moduls von PyTorch ein. Es gibt einen Überblick über Optimierungsalgorithmen wie Gradientenabstieg, SGD, Mini-Batch Gradientenabstieg, Momentum, Adagrad und Adam. Ein separates Kapitel befasst sich mit fortgeschrittenen Konzepten in PyTorch 2. 0, wie Modellserialisierung, Optimierung, verteiltes Training und PyTorch Quantization API.
In den letzten Kapiteln des Buches werden die Unterschiede zwischen TensorFlow 2. 0 und PyTorch 2. 0 und den Schritt-für-Schritt-Prozess der Migration eines TensorFlow-Modells zu PyTorch 2. 0 unter Verwendung von ONNX. Es bietet einen Überblick über häufige Probleme, die während dieses Prozesses auftreten und wie man sie löst.
Wichtigste Learnings.
⬤ Eine umfassende Einführung in PyTorch und CUDA für Deep Learning.
⬤ Detailliertes Verständnis und Operationen mit PyTorch-Tensoren.
⬤ Schritt-für-Schritt-Anleitung zur Erstellung einfacher PyTorch-Modelle.
⬤ Einblick in das nn-Modul von PyTorch und Vergleich verschiedener Netzwerktypen.
⬤ Überblick über den Trainingsprozess und Erkundung des optim-Moduls von PyTorch.
⬤ Verständnis fortgeschrittener Konzepte in PyTorch wie Modellserialisierung und Optimierung.
⬤ Kenntnisse über verteiltes Training in PyTorch.
⬤ Praktische Anleitung zur Verwendung der Quantisierungs-API von PyTorch.
⬤ Unterschiede zwischen TensorFlow 2. 0 und PyTorch 2. 0.
⬤ Anleitung zur Migration von TensorFlow-Modellen nach PyTorch mit ONNX.
Inhaltsübersicht.
⬤ Einführung in Pytorch 2. 0 und CUDA 11. 8.
⬤ Einstieg in Tensors.
⬤ Fortgeschrittene Tensor-Operationen.
⬤ Aufbau neuronaler Netze mit PyTorch 2. 0.
⬤ Training neuronaler Netze in PyTorch 2. 0.
⬤ PyTorch 2. 0 Fortgeschrittene.
⬤ Migrieren von TensorFlow zu PyTorch 2. 0.
⬤ End-to-End PyTorch Regressionsmodell.
Publikum.
Ein perfektes und geschicktes Buch für jeden Ingenieur für maschinelles Lernen, Datenwissenschaftler, KI-Ingenieur und Datenforscher, die leidenschaftlich auf der Suche nach umsetzbarer Intelligenz mit PyTorch 2. 0 sind. Python-Kenntnisse und die Grundlagen des Deep Learning sind alles, was Sie brauchen, um durch dieses Buch zu segeln.
| ISBN: | 9788196288372 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
