Programmare Pytorch per l'apprendimento profondo: Creare e distribuire applicazioni di apprendimento profondo

Recensioni dei lettori

Il libro funge da introduzione a PyTorch e al deep learning, fornendo una panoramica coesa di varie architetture e tecniche. Pur includendo esempi pratici e fasi critiche del processo di apprendimento, è stato criticato per gli errori nel codice, la mancanza di profondità e l'eccessiva semplicità.

⬤ Copre un'ampia gamma di architetture e tecniche
⬤ funge da buona introduzione a PyTorch
⬤ esempi pratici e progetti
⬤ organizza bene i contenuti
⬤ fornisce suggerimenti critici per i professionisti
⬤ include riferimenti online.

⬤ Gli esempi di codice spesso non sono eseguibili
⬤ molti errori e refusi nel codice
⬤ manca di profondità negli argomenti
⬤ alcuni contenuti sembrano riciclati o incompleti
⬤ stampato in bianco e nero
⬤ potrebbe non essere adatto a studenti avanzati.

(basato su 19 recensioni dei lettori)

Titolo originale:

Programming Pytorch for Deep Learning: Creating and Deploying Deep Learning Applications

Contenuto del libro:

Fate i prossimi passi verso la padronanza del deep learning, il metodo di apprendimento automatico che sta trasformando il mondo che ci circonda di secondo in secondo. In questo libro pratico, potrete approfondire le idee chiave utilizzando il framework open source PyTorch di Facebook e acquisire le competenze più recenti necessarie per creare le vostre reti neurali.

Ian Pointer mostra come configurare PyTorch in un ambiente basato su cloud, quindi vi guida nella creazione di architetture neurali che facilitano le operazioni su immagini, suoni, testi e altro ancora, attraverso un'analisi approfondita di ciascun elemento. Vengono inoltre trattati i concetti critici dell'applicazione dell'apprendimento per trasferimento alle immagini, del debug dei modelli e di PyTorch in produzione.

⬤ Impara a distribuire i modelli di deep learning in produzione.

⬤ Esplora i casi d'uso di PyTorch di diverse aziende leader.

⬤ Imparare ad applicare l'apprendimento per trasferimento alle immagini.

⬤ Applicare tecniche NLP all'avanguardia utilizzando un modello addestrato su Wikipedia.

⬤ Usare la libreria torchaudio di PyTorch per classificare i dati audio con un modello convoluzionale.

⬤ Eseguire il debug dei modelli PyTorch utilizzando TensorBoard e i grafici di fiamma.

⬤ Distribuire le applicazioni PyTorch in produzione in container Docker e cluster Kubernetes in esecuzione su Google Cloud.