Apprendimento profondo con Pytorch: Costruire, addestrare e sintonizzare le reti neurali con gli strumenti di Python

Recensioni dei lettori

Il libro è stato ampiamente apprezzato per la sua introduzione completa e chiara al Deep Learning e a PyTorch, offrendo un equilibrio tra teoria ed esempi pratici di codifica. Tuttavia, è stato criticato per la scarsa qualità di stampa, la mancanza di alcuni argomenti avanzati e lo stile di scrittura prolisso che può sminuire l'esperienza di apprendimento.

Copertura approfondita di PyTorch e Deep Learning, utili esempi di codice, contenuti ben organizzati e adatti a un pubblico ampio, forte attenzione alla pratica, buona introduzione per i principianti ed eccellenti risorse per la messa in produzione.

Qualità della stampa e della carta inferiore alla media, mancanza di capitoli su argomenti avanzati come i modelli linguistici e l'attenzione, una certa verbosità nelle spiegazioni e l'uso della stampa in bianco e nero che sminuisce le illustrazioni.

(basato su 24 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Ogni giorno sentiamo parlare di nuovi modi per utilizzare il deep learning: miglioramento delle immagini mediche, rilevamento accurato delle frodi con le carte di credito, previsioni meteorologiche a lungo raggio e altro ancora. PyTorch mette questi superpoteri nelle vostre mani, offrendovi un'esperienza Python confortevole che vi fa iniziare rapidamente e poi cresce con voi man mano che voi - e le vostre capacità di deep learning - diventate più sofisticate. L'apprendimento profondo con PyTorch renderà questo viaggio coinvolgente e divertente.

Riassunto.

Ogni giorno sentiamo parlare di nuovi modi per utilizzare il deep learning: miglioramento delle immagini mediche, rilevamento accurato delle frodi con le carte di credito, previsioni meteorologiche a lungo raggio e altro ancora. PyTorch mette questi superpoteri nelle vostre mani, fornendo una comoda esperienza Python che vi fa iniziare rapidamente e poi cresce con voi man mano che voi - e le vostre capacità di deep learning - diventate più sofisticate. L'apprendimento profondo con PyTorch renderà questo viaggio coinvolgente e divertente.

Prefazione di Soumith Chintala, creatore di PyTorch.

L'acquisto del libro stampato include un eBook gratuito nei formati PDF, Kindle e ePub di Manning Publications.

Informazioni sulla tecnologia.

Sebbene molti strumenti di deep learning utilizzino Python, la libreria PyTorch è veramente pitonica. Immediatamente familiare a chiunque conosca strumenti PyData come NumPy e scikit-learn, PyTorch semplifica il deep learning senza sacrificare le funzionalità avanzate. È eccellente per la creazione di modelli rapidi e si adatta senza problemi ai computer portatili e alle aziende. Poiché aziende come Apple, Facebook e JPMorgan Chase si affidano a PyTorch, è un'ottima competenza da possedere per ampliare le proprie possibilità di carriera. È facile iniziare a lavorare con PyTorch. Riduce al minimo l'overhead cognitivo senza sacrificare l'accesso a funzioni avanzate, il che significa che potete concentrarvi su ciò che conta di più: costruire e addestrare i più recenti e più grandi modelli di deep learning e contribuire a incidere sul mondo. PyTorch è anche facile da scalare e da estendere e si integra bene con altri strumenti Python. PyTorch è stato adottato da centinaia di professionisti del deep learning e da diversi attori di primo piano come FAIR, OpenAI, FastAI e Purdue.

Informazioni sul libro.

Deep Learning with PyTorch insegna a creare reti neurali e sistemi di apprendimento profondo con PyTorch. Questo libro pratico vi mette subito al lavoro per costruire da zero un esempio reale: un classificatore di immagini di tumori. Lungo il percorso, vengono illustrate le migliori pratiche per l'intera pipeline di DL, tra cui l'API Tensor di PyTorch, il caricamento dei dati in Python, il monitoraggio dell'addestramento e la visualizzazione dei risultati. Dopo aver affrontato le nozioni di base, il libro vi accompagnerà in un viaggio attraverso progetti più ampi. Il fulcro del libro è una rete neurale progettata per il rilevamento del cancro. Scoprirete come addestrare le reti con input limitati e inizierete a elaborare i dati per ottenere alcuni risultati. Passerete al setaccio i risultati iniziali inaffidabili e vi concentrerete su come diagnosticare e risolvere i problemi della vostra rete neurale. Infine, si esamineranno i modi per migliorare i risultati con l'addestramento con dati aumentati, per apportare miglioramenti all'architettura del modello e per eseguire altre messe a punto.

Cosa contiene.

Addestramento di reti neurali profonde.

Implementazione di moduli e funzioni di perdita.

Utilizzo di modelli preaddestrati da PyTorch Hub.

Esplorazione di esempi di codice in Jupyter Notebooks.

Informazioni sul lettore.

Per programmatori Python interessati all'apprendimento automatico.

Informazioni sull'autore.

Eli Stevens ha ricoperto ruoli che vanno dall'ingegnere del software al CTO e attualmente si occupa di apprendimento automatico nel settore delle auto a guida autonoma. Luca Antiga è cofondatore di una società di ingegneria AI e di una startup tecnologica AI, nonché ex collaboratore di PyTorch. Thomas Viehmann è uno sviluppatore di PyTorch e un formatore e consulente per l'apprendimento automatico. consulente con sede a Monaco, in Germania, e sviluppatore di PyTorch.

Indice dei contenuti.

PARTE 1 - NUCLEO DI PYTORCH

1 Introduzione al deep learning e alla libreria PyTorch.

2 Reti pre-allenate.

3 Si comincia con un tensore.

4 Rappresentazione dei dati del mondo reale con i tensori.

5 La meccanica dell'apprendimento.

6 Usare una rete neurale per adattarsi ai dati.

7 Distinguere gli uccelli dagli aerei: Apprendere dalle immagini.

8 Uso delle convoluzioni per generalizzare.

PARTE 2 - IMPARARE DALLE IMMAGINI NEL MONDO REALE: LA DIAGNOSI PRECOCE DEL CANCRO AI POLMONI.

9 Usare PyTorch per combattere il cancro.

10 Combinazione di fonti di dati in un set di dati unificato.

11 Addestramento di un modello di classificazione per individuare i tumori sospetti.

12 Miglioramento dell'addestramento con metriche e incremento.

13 Utilizzo della segmentazione per individuare i noduli sospetti.

14 L'analisi dei noduli end-to-end e le prossime tappe.

PARTE 3 - DISTRIBUZIONE

15 Distribuzione in produzione.