Bewertung:
Das Buch ist ein gemischtes Paket aus nützlichen Erkenntnissen und erheblichen Nachteilen. Während einige Nutzer die prägnante Anleitung und die praktischen Referenzen für PyTorch schätzen, kritisieren andere den Umfang, die Formatierung und den veralteten Inhalt, was darauf hindeutet, dass es besser ausgeführt und aktualisiert werden muss.
Vorteile:** Bietet eine schnelle Referenz für PyTorch-Nutzer. ** Prägnant und informativ, bietet praktische Anleitungen, die über eine einfache API-Referenz hinausgehen. ** Gut geeignet für Einzelschüler und diejenigen, die nach Best Practices suchen. ** Umfassend für die durchgängige Entwicklung im Taschenformat.
Nachteile:** Das Buch ist klein und die Schrift sehr klein, was das Lesen erschwert. ** Der Inhalt ist oft veraltet oder ungenau, mit Beschwerden über fehlerhafte Code-Beispiele. ** Fehlende Tiefe in den Erklärungen, was zu Platzverschwendung bei grundlegenden Informationen führt. ** Es werden keine Versionsanforderungen oder Richtlinien zur Reproduzierbarkeit angegeben. ** Viele Benutzer weisen darauf hin, dass im Vergleich zu diesem Buch bessere Ressourcen online verfügbar sind.
(basierend auf 13 Leserbewertungen)
Pytorch Pocket Reference: Building and Deploying Deep Learning Models
Dieses prägnante, benutzerfreundliche Nachschlagewerk stellt Ihnen eines der beliebtesten Frameworks für Deep Learning-Forschung und -Entwicklung zur Verfügung. Der Autor Joe Papa bietet sofortigen Zugang zu Syntax, Entwurfsmustern und Codebeispielen, um Ihre Entwicklung zu beschleunigen und die Zeit zu verkürzen, die Sie mit der Suche nach Antworten verbringen.
Forscher, Ingenieure für maschinelles Lernen und Softwareentwickler finden klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netzwerke abdeckt - vom Laden von Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie schnell, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktion einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen können.
⬤ Erlernen Sie die grundlegende PyTorch-Syntax und Entwurfsmuster.
⬤ Erstellen Sie benutzerdefinierte Modelle und Datentransformationen.
⬤ Modelle mit einer GPU und TPU trainieren und einsetzen.
⬤ Trainieren und testen Sie einen Deep Learning-Klassifikator.
⬤ Beschleunigung des Trainings durch Optimierung und verteiltes Training.
⬤ Zugang zu nützlichen PyTorch-Bibliotheken und dem PyTorch-Ökosystem.
| ISBN: | 9781492090007 |
| Autor: | |
| Verlag: | |
| Einband: | Taschenbuch |
| Erscheinungsjahr: | 2021 |
| Seitenzahl: | 310 |
Derzeit verfügbar, auf Lager.
