Avis des lecteurs
Résumé:Le livre est largement salué pour son introduction complète et claire au Deep Learning et à PyTorch, offrant un équilibre entre la théorie et les exemples de codage pratiques. Cependant, il est critiqué pour la mauvaise qualité de l'impression, l'absence de certains sujets avancés et le style d'écriture verbeux qui peut nuire à l'expérience d'apprentissage.
Avantages:Couverture approfondie de PyTorch et de l'apprentissage profond, exemples de code utiles, contenu bien organisé attirant un large public, forte orientation pratique, bonne introduction pour les débutants et excellentes ressources pour le déploiement en production.
Inconvénients:Qualité d'impression et de papier médiocre, manque de chapitres sur des sujets avancés tels que les modèles de langage et l'attention, verbosité des explications et utilisation de l'impression en noir et blanc qui nuit aux illustrations.
(basé sur 24 avis de lecteurs)
Titre original :
Deep Learning with Pytorch: Build, Train, and Tune Neural Networks Using Python Tools
Contenu du livre :
Tous les deux jours, nous entendons parler de nouvelles façons d'utiliser l'apprentissage profond à bon escient : amélioration de l'imagerie médicale, détection précise des fraudes à la carte de crédit, prévisions météorologiques à long terme, et bien plus encore. PyTorch met ces super-pouvoirs entre vos mains, en vous offrant une expérience Python confortable qui vous permet de démarrer rapidement et qui évolue avec vous au fur et à mesure que vous - et vos compétences en apprentissage profond - devenez plus sophistiqués. Deep Learning with PyTorch rendra ce voyage engageant et amusant.
Résumé.
Tous les deux jours, nous entendons parler de nouvelles façons d'utiliser l'apprentissage profond à bon escient : amélioration de l'imagerie médicale, détection précise des fraudes à la carte de crédit, prévisions météorologiques à long terme, et bien plus encore. PyTorch met ces super-pouvoirs entre vos mains, en vous offrant une expérience Python confortable qui vous permet de démarrer rapidement et d'évoluer avec vous au fur et à mesure que vous - et vos compétences en apprentissage profond - devenez plus sophistiqués. Deep Learning with PyTorch rendra ce voyage engageant et amusant.
Préface de Soumith Chintala, cocréateur de PyTorch.
L'achat du livre imprimé inclut un livre électronique gratuit aux formats PDF, Kindle et ePub de Manning Publications.
À propos de la technologie.
Bien que de nombreux outils d'apprentissage profond utilisent Python, la bibliothèque PyTorch est véritablement pythonique. Immédiatement familière à tous ceux qui connaissent les outils PyData tels que NumPy et scikit-learn, PyTorch simplifie l'apprentissage profond sans sacrifier les fonctionnalités avancées. Il est excellent pour construire des modèles rapides, et il passe sans problème de l'ordinateur portable à l'entreprise. Des entreprises telles qu'Apple, Facebook et JPMorgan Chase s'appuyant sur PyTorch, il s'agit d'une excellente compétence à acquérir pour élargir vos options de carrière. Il est facile de commencer avec PyTorch. Il minimise la charge cognitive sans sacrifier l'accès aux fonctionnalités avancées, ce qui signifie que vous pouvez vous concentrer sur ce qui compte le plus - construire et former les modèles d'apprentissage profond les plus récents et les plus performants et contribuer à faire une brèche dans le monde. PyTorch est également facile à mettre à l'échelle et à étendre, et il s'associe bien avec d'autres outils Python. PyTorch a été adopté par des centaines de praticiens de l'apprentissage profond et par plusieurs acteurs de premier plan tels que FAIR, OpenAI, FastAI et Purdue.
À propos du livre.
Deep Learning with PyTorch vous apprend à créer des réseaux neuronaux et des systèmes d'apprentissage profond avec PyTorch. Ce livre pratique vous permet de travailler rapidement à la construction d'un exemple réel à partir de zéro : un classificateur d'images de tumeurs. En cours de route, il couvre les meilleures pratiques pour l'ensemble du pipeline DL, y compris l'API Tensor de PyTorch, le chargement des données en Python, le suivi de la formation et la visualisation des résultats. Après avoir couvert les bases, le livre vous emmène dans un voyage à travers des projets plus importants. La pièce maîtresse du livre est un réseau neuronal conçu pour la détection du cancer. Vous découvrirez des méthodes pour former des réseaux avec des entrées limitées et commencerez à traiter des données pour obtenir des résultats. Vous passerez au crible les résultats initiaux peu fiables et vous vous concentrerez sur la manière de diagnostiquer et de résoudre les problèmes de votre réseau neuronal. Enfin, vous étudierez les moyens d'améliorer vos résultats en vous entraînant avec des données supplémentaires, en apportant des améliorations à l'architecture du modèle et en procédant à d'autres réglages fins.
Contenu.
Formation de réseaux neuronaux profonds.
Implémentation de modules et de fonctions de perte.
Utilisation de modèles pré-entraînés à partir de PyTorch Hub.
Exploration d'échantillons de code dans les carnets Jupyter.
À propos du lecteur.
Pour les programmeurs Python intéressés par l'apprentissage automatique.
A propos de l'auteur.
Eli Stevens a occupé des postes allant d'ingénieur logiciel à directeur technique, et travaille actuellement sur l'apprentissage automatique dans l'industrie de la voiture autonome. Luca Antiga est cofondateur d'une société d'ingénierie en IA et d'une startup spécialisée dans l'IA, ainsi qu'un ancien contributeur à PyTorch. Thomas Viehmann est développeur de base PyTorch et formateur et consultant en apprentissage automatique. consultant basé à Munich, en Allemagne, et développeur de base PyTorch.
Table des matières.
PARTIE 1 - NOYAU DE PYTORCH
1 Présentation de l'apprentissage profond et de la bibliothèque PyTorch.
2 Réseaux pré-entraînés.
3 Tout commence par un tenseur.
4 Représentation des données du monde réel à l'aide de tenseurs.
5 Les mécanismes de l'apprentissage.
6 Utilisation d'un réseau neuronal pour adapter les données.
7 Distinguer les oiseaux des avions : Apprendre à partir d'images.
8 Utilisation de convolutions pour généraliser.
PARTIE 2 - APPRENDRE À PARTIR D'IMAGES DANS LE MONDE RÉEL : DÉTECTION PRÉCOCE DU CANCER DU POUMON
9 Utiliser PyTorch pour lutter contre le cancer.
10 Combiner des sources de données dans un ensemble de données unifié.
11 Entraînement d'un modèle de classification pour détecter les tumeurs suspectes.
12 Amélioration de la formation grâce à des métriques et à l'augmentation.
13 Utilisation de la segmentation pour trouver des nodules suspects.
14 Analyse des nodules de bout en bout et prochaines étapes.
PARTIE 3 - DÉPLOIEMENT
15 Déploiement en production.
Autres informations sur le livre :
| ISBN : | 9781617295263 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
| Année de publication : | 2020 |
| Nombre de pages : | 450 |
Achat:
Actuellement disponible, en stock.
