Padroneggiare PyTorch: Costruire potenti architetture di reti neurali utilizzando le funzioni avanzate di PyTorch 1.x

Recensioni dei lettori

Il libro è una risorsa pratica per l'apprendimento di PyTorch e del deep learning, che offre un approccio pratico a varie architetture e concetti del settore. Copre l'implementazione dei modelli, la produzione e fornisce esercizi per migliorare la comprensione. Sebbene molti utenti ne lodino la chiarezza e la completezza, alcuni lo criticano per l'incompletezza degli esempi di codice.

⬤ Approccio pratico e pratico all'apprendimento di PyTorch e del deep learning.
⬤ Copertura completa dei principali argomenti come CNN, LSTM, GAN e apprendimento per rinforzo.
⬤ Esercizi utili in ogni capitolo per una migliore comprensione.
⬤ Ottimo sia per i principianti che per coloro che hanno una certa familiarità con il deep learning.
⬤ Spiegazioni chiare con diagrammi intuitivi.

⬤ Alcuni esempi di codice sono incompleti o presentati come pseudocodice, con conseguente frustrazione.
⬤ Alcuni utenti hanno riscontrato problemi nell'esecuzione del codice fornito.
⬤ La profondità della teoria matematica può essere carente per coloro che cercano una trattazione più rigorosa.

(basato su 10 recensioni dei lettori)

Titolo originale:

Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features

Contenuto del libro:

Padroneggia tecniche e algoritmi avanzati per il deep learning con PyTorch utilizzando esempi reali.

Caratteristiche principali

⬤ Capire come utilizzare PyTorch 1.x per costruire modelli avanzati di reti neurali.

⬤ Imparare a eseguire un'ampia gamma di compiti implementando algoritmi e tecniche di deep learning.

⬤ Acquisire competenze in domini quali computer vision, NLP, Deep RL, Explainable AI e molto altro.

Descrizione del libro

L'apprendimento profondo sta guidando la rivoluzione dell'IA e PyTorch sta rendendo più facile che mai per chiunque costruire applicazioni di apprendimento profondo. Questo libro su PyTorch vi aiuterà a scoprire tecniche esperte per ottenere il massimo dai vostri dati e costruire complessi modelli di reti neurali.

Il libro inizia con una rapida panoramica di PyTorch ed esplora l'uso di architetture di reti neurali convoluzionali (CNN) per la classificazione delle immagini. Si lavorerà poi con architetture di reti neurali ricorrenti (RNN) e trasformatori per l'analisi del sentiment. Man mano che si avanza, si applica il deep learning in diversi domini, come la musica, il testo e la generazione di immagini utilizzando modelli generativi ed esplorando il mondo delle reti generative avversarie (GAN). Non solo costruirete e addestrerete i vostri modelli di apprendimento profondo per rinforzo in PyTorch, ma potrete anche implementare i modelli PyTorch in produzione utilizzando suggerimenti e tecniche di esperti. Infine, imparerete ad addestrare modelli di grandi dimensioni in modo efficiente e distribuito, a ricercare architetture neurali in modo efficace con AutoML e a prototipare rapidamente modelli utilizzando PyTorch e fast. ai.

Alla fine di questo libro su PyTorch, sarete in grado di eseguire complesse operazioni di deep learning utilizzando PyTorch per costruire modelli intelligenti di intelligenza artificiale.

Cosa imparerete

⬤ Implementare modelli di generazione di testo e musica usando PyTorch.

⬤ Costruire un modello di rete Q profonda (DQN) in PyTorch.

⬤ Esportare modelli universali di PyTorch utilizzando Open Neural Network Exchange (ONNX).

⬤ Diventare esperti di prototipazione rapida utilizzando PyTorch con un rapido utilizzo di ai.

⬤ Eseguire efficacemente la ricerca di architetture neurali utilizzando AutoML.

⬤ Interpretare facilmente i modelli di apprendimento automatico (ML) scritti in PyTorch utilizzando Captum.

⬤ Progettare reti ResNet, LSTM, trasformatori e altro ancora con PyTorch.

⬤ Scoprire come usare PyTorch per l'addestramento distribuito usando l'API torch. distributed.

Per chi è questo libro?

Questo libro si rivolge a data scientist, ricercatori di machine learning e professionisti del deep learning che desiderano implementare paradigmi avanzati di deep learning utilizzando PyTorch 1.x. È richiesta una conoscenza approfondita del deep learning e della programmazione Python.