Imparare PyTorch 2.0: Sperimentare l'apprendimento profondo dalle basi ai modelli più complessi utilizzando tutte le potenzialità di PyTorch

Recensioni dei lettori

Il libro offre un'esperienza mista per gli utenti che cercano di imparare PyTorch. Mentre alcuni ne lodano l'accessibilità e gli esempi pratici, altri ne criticano lo stile di scrittura, la selezione degli argomenti e la mancanza di spiegazioni esaurienti.

Accessibile per i principianti, spiegazioni chiare, esempi di codice utili, ritmo di apprendimento facile.

Stile di scrittura scadente, mancanza di profondità nelle spiegazioni, strana selezione degli argomenti, prezzo elevato per il valore fornito e mancanza di concetti importanti.

(basato su 4 recensioni dei lettori)

Titolo originale:

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

Contenuto del libro:

Questo libro è una guida completa alla comprensione e all'utilizzo di PyTorch 2.0 per applicazioni di deep learning. 0 per le applicazioni di deep learning. Inizia con un'introduzione a PyTorch, ai suoi vari vantaggi rispetto ad altri framework di deep learning e alla sua combinazione con CUDA per l'accelerazione su GPU. Si approfondisce il cuore di PyTorch: i tensori, imparando i loro diversi tipi, proprietà e operazioni. Attraverso esempi passo passo, il lettore impara a eseguire le operazioni aritmetiche di base sui tensori, a manipolarli e a comprendere gli errori relativi alle forme dei tensori.

Una parte consistente del libro è dedicata a illustrare come costruire semplici modelli PyTorch. Questo include il caricamento e la preparazione dei set di dati, la definizione dell'architettura, l'addestramento e la previsione. Fornisce esercizi pratici con un set di dati reali. Il libro si immerge poi nell'esplorazione del modulo nn di PyTorch e fornisce un confronto dettagliato di diversi tipi di reti come Feedforward, RNN, GRU, CNN e la loro combinazione.

Inoltre, il libro approfondisce la comprensione del processo di addestramento e del modulo optim di PyTorch. Esplora la panoramica degli algoritmi di ottimizzazione come Gradient Descent, SGD, Mini-batch Gradient Descent, Momentum, Adagrad e Adam. Un capitolo a parte si concentra sui concetti avanzati di PyTorch 2.0, come la serializzazione dei modelli, l'ottimizzazione e l'ottimizzazione. 0, come la serializzazione del modello, l'ottimizzazione, l'addestramento distribuito e l'API PyTorch Quantization.

Nei capitoli finali, il libro discute le differenze tra TensorFlow 2.0 e PyTorch 2.0 e la descrizione passo-passo delle differenze tra TensorFlow 2.0 e PyTorch 2.0. 0 e il processo di migrazione passo-passo di un modello TensorFlow a PyTorch 2. 0 utilizzando ONNX. 0 utilizzando ONNX. Fornisce una panoramica dei problemi comuni incontrati durante questo processo e come risolverli.

Principali insegnamenti.

⬤ Un'introduzione completa a PyTorch e CUDA per l'apprendimento profondo.

⬤ Comprensione dettagliata e operazioni sui tensori di PyTorch.

⬤ Guida passo passo alla costruzione di semplici modelli PyTorch.

⬤ Insegnamento del modulo nn di PyTorch e confronto di vari tipi di rete.

⬤ Panoramica del processo di addestramento ed esplorazione del modulo optim di PyTorch.

⬤ Conoscere i concetti avanzati di PyTorch, come la serializzazione e l'ottimizzazione dei modelli.

⬤ Conoscenza dell'addestramento distribuito in PyTorch.

⬤ Guida pratica all'uso dell'API di quantizzazione di PyTorch.

⬤ Differenze tra TensorFlow 2.0 e PyTorch 2.0. 0.

⬤ Guida alla migrazione dei modelli TensorFlow a PyTorch utilizzando ONNX.

Indice dei contenuti.

⬤ Introduzione a Pytorch 2. 0 e CUDA 11. 0 e CUDA 11. 8.

⬤ Inizio con i tensori.

⬤ Operazioni avanzate con i tensori.

⬤ Costruire reti neurali con PyTorch 2. 0.

⬤ Allenamento di reti neurali in PyTorch 2. 0.

⬤ PyTorch 2. 0 Advanced.

⬤ Migrazione da TensorFlow a PyTorch 2. 0.

⬤ Modello di regressione end-to-end di PyTorch.

Pubblico.

Un libro perfetto e utile per tutti gli ingegneri dell'apprendimento automatico, i data scientist, gli ingegneri dell'intelligenza artificiale e i ricercatori di dati che cercano appassionatamente di trarre informazioni utilizzabili con PyTorch 2.0. Conoscere Python e le basi di PyTorch 2.0 è un'ottima scelta. 0. Conoscere Python e le basi del deep learning è tutto ciò che serve per affrontare questo libro.