Învățarea PyTorch 2.0: Experimentați învățarea profundă de la elementele de bază la modelele complexe utilizând fiecare capacitate potențială a PyTorch pythonic

Recenzii ale cititorilor

Cartea oferă o experiență mixtă pentru utilizatorii care încearcă să învețe PyTorch. În timp ce unii îi laudă accesibilitatea și exemplele practice, alții îi critică stilul de scriere, selecția subiectelor și lipsa de explicații cuprinzătoare.

Accesibilă pentru începători, explicații clare, exemple de cod utile, ritm ușor pentru învățare.

Stil de scriere slab, lipsă de profunzime în explicații, selecție ciudată a subiectelor, preț ridicat pentru valoarea oferită și lipsa unor concepte importante.

(pe baza a 4 recenzii ale cititorilor)

Titlul original:

Learning PyTorch 2.0: Experiment deep learning from basics to complex models using every potential capability of Pythonic PyTorch

Conținutul cărții:

Această carte este un ghid cuprinzător pentru înțelegerea și utilizarea PyTorch 2. 0 pentru aplicații de învățare profundă. Începe cu o introducere în PyTorch, diferitele sale avantaje față de alte cadre de învățare profundă și îmbinarea sa cu CUDA pentru accelerarea GPU. Ne adâncim în inima PyTorch - tensori, învățând diferitele lor tipuri, proprietăți și operații. Prin exemple pas cu pas, cititorul învață să efectueze operații aritmetice de bază pe tensori, să îi manipuleze și să înțeleagă erorile legate de formele tensorilor.

O parte substanțială a cărții este dedicată ilustrării modului de construire a unor modele PyTorch simple. Aceasta include încărcarea și pregătirea seturilor de date, definirea arhitecturii, instruirea și predicția. Ea oferă exerciții practice cu un set de date din lumea reală. Cartea plonjează apoi în explorarea modulului nn al PyTorch și oferă o comparație detaliată a diferitelor tipuri de rețele, cum ar fi Feedforward, RNN, GRU, CNN și combinația lor.

În plus, cartea se adâncește în înțelegerea procesului de formare și a modulului optim al PyTorch. Se explorează prezentarea generală a algoritmilor de optimizare precum Gradient Descent, SGD, Mini-batch Gradient Descent, Momentum, Adagrad și Adam. Un capitol separat se concentrează pe concepte avansate în PyTorch 2. 0, cum ar fi serializarea modelului, optimizarea, instruirea distribuită și PyTorch Quantization API.

În capitolele finale, cartea discută diferențele dintre TensorFlow 2. 0 și PyTorch 2. 0 și procesul pas cu pas de migrare a unui model TensorFlow la PyTorch 2. 0 utilizând ONNX. Acesta oferă o prezentare generală a problemelor comune întâlnite în timpul acestui proces și a modului de rezolvare a acestora.

Învățăminte cheie.

⬤ O introducere cuprinzătoare în PyTorch și CUDA pentru deep learning.

⬤ Înțelegere detaliată și operațiuni asupra tensorilor PyTorch.

⬤ Ghid pas cu pas pentru construirea de modele PyTorch simple.

⬤ Insight în modulul nn al PyTorch și compararea diferitelor tipuri de rețele.

⬤ Vizualizare a procesului de formare și explorare a modulului optim al PyTorch.

⬤ Înțelegerea conceptelor avansate în PyTorch, cum ar fi serializarea și optimizarea modelelor.

⬤ Cunoașterea formării distribuite în PyTorch.

⬤ Ghid practic pentru utilizarea API-ului de cuantificare PyTorch.

⬤ Diferențe între TensorFlow 2. 0 și PyTorch 2. 0.

⬤ Ghiduri privind migrarea modelelor TensorFlow către PyTorch utilizând ONNX.

Tabel de conținut.

⬤ Introducere la Pytorch 2. 0 și CUDA 11. 8.

⬤ Începerea cu Tensors.

⬤ Operații Tensors avansate.

⬤ Construirea rețelelor neuronale cu PyTorch 2. 0.

⬤ Training Neural Networks in PyTorch 2. 0.

⬤ PyTorch 2. 0 Advanced.

⬤ Migrarea de la TensorFlow la PyTorch 2. 0.

⬤ Model de regresie PyTorch end-to-end.

Audiență.

O carte perfectă și pricepută pentru fiecare inginer de învățare automată, om de știință de date, inginer AI și cercetător de date care caută cu pasiune să obțină inteligență acționabilă folosind PyTorch 2. 0. Cunoașterea Python și elementele de bază ale învățării profunde este tot ce aveți nevoie pentru a naviga prin această carte.