Învățarea profundă cu Pytorch: Construirea, antrenarea și reglarea rețelelor neuronale cu ajutorul instrumentelor Python

Recenzii ale cititorilor

Cartea este lăudată pe scară largă pentru introducerea sa cuprinzătoare și clară în Deep Learning și PyTorch, oferind un echilibru între teorie și exemple practice de programare. Cu toate acestea, este criticată pentru calitatea slabă a imprimării, lipsa unor subiecte avansate și stilul de scriere verbos care poate diminua experiența de învățare.

Acoperire aprofundată a PyTorch și Deep Learning, exemple de cod utile, conținut bine organizat care se adresează unui public larg, accent puternic pe practică, introducere bună pentru începători și resurse excelente pentru implementarea în producție.

Calitate sub așteptări a imprimării și a hârtiei, lipsă de capitole pe subiecte avansate, cum ar fi modelele de limbaj și atenția, o anumită verbozitate în explicații și utilizarea imprimării alb-negru care diminuează ilustrațiile.

(pe baza a 24 recenzii ale cititorilor)

Titlul original:

Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools

Conținutul cărții:

În fiecare zi auzim despre noi modalități de a utiliza învățarea profundă: îmbunătățirea imagisticii medicale, detectarea precisă a fraudelor cu carduri de credit, previziuni meteorologice pe distanțe lungi și multe altele. PyTorch pune aceste superputeri în mâinile dvs., oferind o experiență Python confortabilă care vă permite să începeți rapid și apoi crește cu dvs. pe măsură ce - și abilitățile dvs. de învățare profundă - devin mai sofisticate. Deep Learning cu PyTorch va face această călătorie atractivă și distractivă.

Rezumat.

În fiecare zi auzim despre noi modalități de a pune învățarea profundă în valoare: imagistică medicală îmbunătățită, detectarea precisă a fraudelor cu carduri de credit, previziuni meteorologice pe distanțe lungi și multe altele. PyTorch pune aceste superputeri în mâinile dvs., oferind o experiență Python confortabilă care vă permite să începeți rapid și apoi crește cu dvs. pe măsură ce - și abilitățile dvs. de învățare profundă - devin mai sofisticate. Învățarea profundă cu PyTorch va face această călătorie atractivă și distractivă.

Prefață de Soumith Chintala, Cocreator al PyTorch.

Cumpărarea cărții tipărite include o carte electronică gratuită în format PDF, Kindle și ePub de la Manning Publications.

Despre tehnologie.

Deși multe instrumente de învățare profundă utilizează Python, biblioteca PyTorch este cu adevărat pythonică. Instant familiar pentru oricine cunoaște instrumentele PyData precum NumPy și scikit-learn, PyTorch simplifică învățarea profundă fără a sacrifica caracteristicile avansate. Este excelent pentru construirea rapidă a modelelor și se scalează fără probleme de la laptop la întreprindere. Deoarece companii precum Apple, Facebook și JPMorgan Chase se bazează pe PyTorch, aceasta este o abilitate excelentă pe care trebuie să o aveți pe măsură ce vă extindeți opțiunile de carieră. Este ușor să începi cu PyTorch. Acesta minimizează cheltuielile cognitive fără a sacrifica accesul la funcții avansate, ceea ce înseamnă că vă puteți concentra pe ceea ce contează cel mai mult - construirea și instruirea celor mai recente și mai bune modele de învățare profundă și contribuiți la a face o umbră în lume. PyTorch este, de asemenea, ușor de scalat și extins și se asociază bine cu alte instrumente Python. PyTorch a fost adoptat de sute de practicanți de învățare profundă și de mai mulți jucători de primă clasă precum FAIR, OpenAI, FastAI și Purdue.

Despre carte.

Deep Learning with PyTorch vă învață să creați rețele neuronale și sisteme de învățare profundă cu PyTorch. Această carte practică vă pune rapid la treabă construind de la zero un exemplu din lumea reală: un clasificator de imagini tumorale. Pe parcurs, aceasta acoperă cele mai bune practici pentru întreaga conductă DL, inclusiv API-ul Tensor PyTorch, încărcarea datelor în Python, monitorizarea formării și vizualizarea rezultatelor. După ce acoperă elementele de bază, cartea vă va duce într-o călătorie prin proiecte mai mari. Piesa centrală a cărții este o rețea neuronală concepută pentru detectarea cancerului. Veți descoperi modalități de formare a rețelelor cu intrări limitate și veți începe să procesați date pentru a obține unele rezultate. Veți trece prin rezultatele inițiale nesigure și vă veți concentra pe modul de diagnosticare și remediere a problemelor din rețeaua neuronală. În cele din urmă, veți analiza modalități de îmbunătățire a rezultatelor prin antrenarea cu date sporite, de îmbunătățire a arhitecturii modelului și de efectuare a altor reglaje fine.

Ce este în interior.

Pregătirea rețelelor neuronale profunde.

Implementarea modulelor și a funcțiilor de pierdere.

Utilizarea modelelor preantrenate din PyTorch Hub.

Explorarea exemplelor de cod în Jupyter Notebooks.

Despre cititor.

Pentru programatorii Python interesați de învățarea automată.

Despre autor.

Eli Stevens a avut roluri de la inginer software la CTO, iar în prezent lucrează la învățarea automată în industria automobilelor care se conduc singure. Luca Antiga este cofondator al unei companii de inginerie AI și al unui start-up de tehnologie AI, precum și un fost colaborator PyTorch. Thomas Viehmann este dezvoltator de bază PyTorch și trainer și consultant în învățarea automată. consultant cu sediul în München, Germania și dezvoltator de bază PyTorch.

Tabla de conținut.

PARTEA 1 - NUCLEUL PYTORCH

1 Introducerea învățării profunde și a bibliotecii PyTorch.

2 Rețele preinstruite.

3 Se începe cu un tensor.

4 Reprezentarea datelor din lumea reală folosind tensori.

5 Mecanica învățării.

6 Utilizarea unei rețele neuronale pentru a se potrivi datelor.

7 Diferențierea păsărilor de avioane: Învățarea din imagini.

8 Utilizarea convoluțiilor pentru generalizare.

PARTEA 2 - ÎNVĂȚAREA DIN IMAGINI ÎN LUMEA REALĂ: DETECTAREA PRECOCE A CANCERULUI PULMONAR

9 Utilizarea PyTorch pentru a lupta împotriva cancerului.

10 Combinarea surselor de date într-un set de date unificat.

11 Formarea unui model de clasificare pentru detectarea tumorilor suspecte.

12 Îmbunătățirea instruirii cu ajutorul metricilor și al augmentării.

13 Utilizarea segmentării pentru detectarea nodulilor suspecți.

14 Analiza end-to-end a nodulilor și direcția următoare.

PARTEA 3 - IMPLEMENTAREA

15 Implementarea în producție.