Pytorch Pocket Reference: Costruire e distribuire modelli di apprendimento profondo

Recensioni dei lettori

Il libro è un misto di intuizioni utili e svantaggi significativi. Mentre alcuni utenti apprezzano la guida concisa e i riferimenti pratici per PyTorch, altri ne criticano le dimensioni, la formattazione e i contenuti obsoleti, suggerendo che ha bisogno di una migliore esecuzione e di aggiornamenti.

** Fornisce un riferimento rapido per gli utenti di PyTorch. ** Conciso e informativo, offre una guida pratica che va oltre il semplice riferimento alle API. ** Adatto a chi impara da solo e a chi è alla ricerca delle migliori pratiche. ** Completo per lo sviluppo end-to-end in un formato tascabile.

** Il libro è fisicamente piccolo, con caratteri molto piccoli che lo rendono difficile da leggere. ** Il contenuto è spesso obsoleto o impreciso, con lamentele su esempi di codice non funzionanti. ** Manca di profondità nelle spiegazioni, con conseguente spreco di spazio per le informazioni di base. ** Non vengono forniti requisiti di versione o linee guida per la riproducibilità. ** Molti utenti suggeriscono che sono disponibili online risorse migliori rispetto a questo libro.

(basato su 13 recensioni dei lettori)

Titolo originale:

Pytorch Pocket Reference: Building and Deploying Deep Learning Models

Contenuto del libro:

Questo riferimento conciso e facile da usare mette a portata di mano uno dei framework più popolari per la ricerca e lo sviluppo del deep learning. L'autore Joe Papa fornisce un accesso immediato alla sintassi, ai modelli di progettazione e agli esempi di codice per accelerare lo sviluppo e ridurre il tempo dedicato alla ricerca di risposte.

Ricercatori, ingegneri dell'apprendimento automatico e sviluppatori di software troveranno un codice PyTorch chiaro e strutturato che copre ogni fase dello sviluppo di una rete neurale, dal caricamento dei dati alla personalizzazione dei cicli di addestramento, fino all'ottimizzazione del modello e all'accelerazione GPU/TPU. Imparate rapidamente a distribuire il vostro codice in produzione utilizzando AWS, Google Cloud o Azure e a distribuire i vostri modelli di ML su dispositivi mobili ed edge.

⬤ Imparare la sintassi di base di PyTorch e i modelli di progettazione.

⬤ Creare modelli e trasformazioni di dati personalizzati.

⬤ Addestrare e distribuire modelli utilizzando una GPU e una TPU.

⬤ Addestrare e testare un classificatore di deep learning.

⬤ Accelerare l'addestramento utilizzando l'ottimizzazione e l'addestramento distribuito.

⬤ Accesso alle librerie PyTorch e all'ecosistema PyTorch.