Apprendimento profondo automatizzato con l'intelligenza delle reti neurali: Sviluppare e progettare modelli Pytorch e Tensorflow usando Python

Titolo originale:

Automated Deep Learning Using Neural Network Intelligence: Develop and Design Pytorch and Tensorflow Models Using Python

Contenuto del libro:

Ottimizzare, sviluppare e progettare modelli PyTorch e TensorFlow per un problema specifico utilizzando il toolkit Microsoft Neural Network Intelligence (NNI). Questo libro include esempi pratici che illustrano approcci automatizzati al deep learning e fornisce tecniche per facilitare lo sviluppo di modelli di deep learning.

I primi capitoli di questo libro coprono le basi dell'uso del toolkit NNI e i metodi per risolvere compiti di ottimizzazione degli iperparametri. Capirete il problema della massimizzazione delle funzioni black-box utilizzando NNI e saprete come preparare un modello TensorFlow o PyTorch per la regolazione degli iperparametri, lanciare un esperimento e interpretare i risultati. Il libro approfondisce i sintonizzatori di ottimizzazione e gli algoritmi di ricerca su cui si basano: Ricerca per evoluzione, ricerca per annealing e approccio di ottimizzazione bayesiana. Viene trattata la ricerca dell'architettura neurale e si apprende come sviluppare modelli di deep learning da zero. Vengono presentati gli approcci di ricerca multi-test e one-shot per la progettazione automatica di reti neurali. Il libro insegna a costruire uno spazio di ricerca e a lanciare una ricerca di architettura utilizzando le più recenti strategie di esplorazione all'avanguardia: Efficient Neural Architecture Search (ENAS) e Differential Architectural Search (DARTS). Imparerete come automatizzare la costruzione di un'architettura di rete neurale per un particolare problema e set di dati. Il libro si concentra sulla compressione dei modelli e sui metodi di ingegnerizzazione delle caratteristiche, essenziali per l'apprendimento profondo automatizzato. Include anche tecniche di performance che consentono di creare piattaforme di addestramento distributivo su larga scala utilizzando NNI.

Dopo aver letto questo libro, saprete come utilizzare l'intera gamma di metodi di deep learning automatizzati. Le tecniche e gli esempi pratici presentati in questo libro vi permetteranno di portare le vostre routine di rete neurale a un livello superiore.

Cosa imparerete

⬤ Conoscere i concetti di base dei sintonizzatori di ottimizzazione, dello spazio di ricerca e delle prove.

⬤ Applicare diversi algoritmi di ottimizzazione iperparametrica per sviluppare reti neurali efficaci.

⬤ Costruire nuovi modelli di deep learning da zero.

⬤ Eseguire la ricerca automatica dell'architettura neurale per creare modelli di deep learning all'avanguardia.

⬤ Comprimere il modello per eliminare gli strati di deep learning non necessari.

Per chi è questo libro?

Data scientist e ingegneri dell'apprendimento automatico di livello intermedio e avanzato che si occupano di deep learning e di sviluppo pratico di reti neurali.