Bewertung:
Das Buch ist eine praktische Ressource zum Erlernen von PyTorch und Deep Learning und bietet einen praktischen Ansatz für verschiedene Architekturen und Konzepte in diesem Bereich. Es behandelt den Einsatz von Modellen, die Produktion und bietet Übungen, um das Verständnis zu verbessern. Während viele Nutzer es für seine Klarheit und umfassende Abdeckung loben, kritisieren einige es für unvollständige Code-Beispiele.
Vorteile:⬤ Praktischer, praxisnaher Ansatz zum Erlernen von PyTorch und Deep Learning.
⬤ Umfassende Abdeckung der wichtigsten Themen wie CNNs, LSTMs, GANs und Reinforcement Learning.
⬤ Hilfreiche Übungen in jedem Kapitel für ein besseres Verständnis.
⬤ Gut geeignet sowohl für Anfänger als auch für diejenigen, die bereits mit Deep Learning vertraut sind.
⬤ Klare Erklärungen mit intuitiven Diagrammen.
⬤ Einige Codebeispiele sind unvollständig oder als Pseudocode dargestellt, was zu Frustration führt.
⬤ Einige Benutzer hatten Probleme mit der Ausführung des bereitgestellten Codes.
⬤ Die Tiefe der mathematischen Theorie kann für diejenigen, die eine strengere Behandlung suchen, nicht ausreichend sein.
(basierend auf 10 Leserbewertungen)
Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features
Beherrschen Sie fortgeschrittene Techniken und Algorithmen für Deep Learning mit PyTorch anhand von Beispielen aus der Praxis.
Hauptmerkmale
⬤ Verstehen Sie, wie man PyTorch 1. x verwendet, um fortgeschrittene neuronale Netzwerkmodelle zu erstellen.
⬤ Lernen Sie, eine breite Palette von Aufgaben durch die Implementierung von Deep-Learning-Algorithmen und -Techniken auszuführen.
⬤ Erwerben Sie Fachwissen in Bereichen wie Computer Vision, NLP, Deep RL, Explainable AI und vieles mehr.
Buchbeschreibung
Deep Learning treibt die KI-Revolution voran, und PyTorch macht es für jeden einfacher als je zuvor, Deep-Learning-Anwendungen zu entwickeln. Dieses PyTorch-Buch hilft Ihnen, Expertentechniken zu entdecken, um das Beste aus Ihren Daten herauszuholen und komplexe neuronale Netzwerkmodelle zu erstellen.
Das Buch beginnt mit einem kurzen Überblick über PyTorch und untersucht die Verwendung von CNN-Architekturen (Convolutional Neural Network) für die Bildklassifizierung. Anschließend arbeiten Sie mit rekurrenten neuronalen Netzwerken (RNN) und Transformatoren für die Stimmungsanalyse. Im weiteren Verlauf werden Sie Deep Learning in verschiedenen Bereichen wie Musik, Text und Bilderzeugung mit generativen Modellen anwenden und die Welt der generativen adversen Netzwerke (GANs) erkunden. Sie werden nicht nur Ihre eigenen Deep Reinforcement Learning-Modelle in PyTorch erstellen und trainieren, sondern auch PyTorch-Modelle mithilfe von Expertentipps und -techniken in der Produktion einsetzen. Schließlich lernen Sie, große Modelle effizient und verteilt zu trainieren, neuronale Architekturen effektiv mit AutoML zu suchen und Modelle mit PyTorch und fast.ai schnell zu prototypisieren.
Am Ende dieses PyTorch-Buches werden Sie in der Lage sein, komplexe Deep-Learning-Aufgaben mit PyTorch durchzuführen, um intelligente Modelle für künstliche Intelligenz zu erstellen.
(Was Sie lernen werden)
⬤ Implementieren Sie Text- und Musikgenerierungsmodelle mit PyTorch.
⬤ Ein Deep Q-Network (DQN) Modell in PyTorch erstellen.
⬤ Universelle PyTorch-Modelle mit Open Neural Network Exchange (ONNX) exportieren
⬤ Erlernen Sie das Rapid Prototyping mit PyTorch mit schneller KI.
⬤ Effektive Suche nach neuronalen Architekturen mit AutoML.
⬤ Einfaches Interpretieren von in PyTorch geschriebenen Modellen für maschinelles Lernen (ML) mit Captum.
⬤ Entwerfen Sie ResNets, LSTMs, Transformers und mehr mit PyTorch.
⬤ Finden Sie heraus, wie Sie PyTorch für verteiltes Training mit der torch. distributed API verwenden können.
Für wen ist dieses Buch gedacht?
Dieses Buch richtet sich an Datenwissenschaftler, Forscher im Bereich des maschinellen Lernens und Deep-Learning-Praktiker, die fortgeschrittene Deep-Learning-Paradigmen mit PyTorch 1.x implementieren möchten. Arbeitskenntnisse im Bereich Deep Learning mit Python-Programmierung sind erforderlich.
| ISBN: | 9781789614381 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
