Pytorch Pocket Reference: Construirea și implementarea modelelor de învățare profundă

Recenzii ale cititorilor

Cartea este un sac mixt de perspective utile și dezavantaje semnificative. În timp ce unii utilizatori apreciază îndrumările sale concise și referințele practice pentru PyTorch, alții îi critică dimensiunea, formatarea și conținutul învechit, sugerând că are nevoie de o mai bună execuție și actualizări.

** Oferă o referință rapidă pentru utilizatorii PyTorch. ** Concis și informativ, oferind orientări practice dincolo de o simplă referință API. ** Bine adaptat pentru cursanții solo și pentru cei care caută cele mai bune practici. ** Comprehensivă pentru dezvoltarea de la un capăt la altul într-un format de buzunar.

** Cartea este fizic mică, cu font foarte mic, ceea ce o face greu de citit. ** Conținutul este adesea învechit sau inexact, cu plângeri cu privire la exemple de coduri rupte. ** Lipsă de profunzime în explicații, ceea ce duce la irosirea spațiului pe informații de bază. ** Nu sunt furnizate cerințe de versiune sau orientări privind reproductibilitatea. ** Mulți utilizatori sugerează că resurse mai bune sunt disponibile online în comparație cu această carte.

(pe baza a 13 recenzii ale cititorilor)

Titlul original:

Pytorch Pocket Reference: Building and Deploying Deep Learning Models

Conținutul cărții:

Această referință concisă și ușor de utilizat vă pune la îndemână unul dintre cele mai populare framework-uri pentru cercetarea și dezvoltarea deep learning. Autorul Joe Papa oferă acces instantaneu la sintaxă, modele de proiectare și exemple de cod pentru a vă accelera dezvoltarea și a reduce timpul pe care îl petreceți căutând răspunsuri.

Cercetătorii științifici, inginerii din domeniul învățării automate și dezvoltatorii de software vor găsi coduri PyTorch clare și structurate care acoperă fiecare etapă a dezvoltării rețelelor neuronale - de la încărcarea datelor la personalizarea buclelor de antrenament, la optimizarea modelului și accelerarea GPU/TPU. Învățați rapid cum să vă implementați codul în producție utilizând AWS, Google Cloud sau Azure și să vă implementați modelele ML pe dispozitive mobile și periferice.

⬤ Învățați sintaxa PyTorch de bază și modelele de proiectare.

⬤ Creați modele personalizate și transformări de date.

⬤ Pregătiți și implementați modele folosind un GPU și TPU.

⬤ Instruirea și testarea unui clasificator de învățare profundă.

⬤ Accelerați formarea utilizând optimizarea și formarea distribuită.

⬤ Accesați biblioteci PyTorch utile și ecosistemul PyTorch.