Avis des lecteurs
Résumé:Ce livre est une ressource pratique pour apprendre PyTorch et l'apprentissage profond, offrant une approche pratique des différentes architectures et concepts dans le domaine. Il couvre le déploiement de modèles, la mise en production et propose des exercices pour améliorer la compréhension. Alors que de nombreux utilisateurs le louent pour sa clarté et sa couverture complète, certains le critiquent pour ses exemples de code incomplets.
Avantages:⬤ Approche pratique et concrète de l'apprentissage de PyTorch et de l'apprentissage profond.
⬤ Une couverture complète des principaux sujets tels que les CNN, les LSTM, les GAN et l'apprentissage par renforcement.
⬤ Des exercices utiles dans chaque chapitre pour une meilleure compréhension.
⬤ Convient aussi bien aux débutants qu'à ceux qui ont une certaine familiarité avec l'apprentissage profond.
⬤ Des explications claires avec des diagrammes intuitifs.
⬤ Certains exemples de code sont incomplets ou présentés sous forme de pseudocode, ce qui entraîne une certaine frustration.
⬤ Certains utilisateurs ont rencontré des problèmes lors de l'exécution du code fourni.
⬤ La profondeur de la théorie mathématique peut manquer à ceux qui recherchent un traitement plus rigoureux.
(basé sur 10 avis de lecteurs)
Titre original :
Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features
Contenu du livre :
Maîtriser les techniques et algorithmes avancés d'apprentissage profond avec PyTorch à l'aide d'exemples concrets.
Caractéristiques principales
⬤ Comprendre comment utiliser PyTorch 1. x pour construire des modèles de réseaux neuronaux avancés.
⬤ Apprendre à effectuer un large éventail de tâches en mettant en œuvre des algorithmes et des techniques d'apprentissage profond.
⬤ Les résultats de l'analyse des données et de l'évaluation de l'efficacité des systèmes d'information et des systèmes de gestion de l'information sont disponibles sur le site web de la société.
Description du livre
L'apprentissage profond est le moteur de la révolution de l'IA, et PyTorch facilite plus que jamais la création d'applications d'apprentissage profond. Ce livre sur PyTorch vous aidera à découvrir des techniques expertes pour tirer le meilleur parti de vos données et construire des modèles de réseaux neuronaux complexes.
Le livre commence par une présentation rapide de PyTorch et explore l'utilisation d'architectures de réseaux neuronaux convolutifs (CNN) pour la classification d'images. Vous travaillerez ensuite avec des architectures de réseaux neuronaux récurrents (RNN) et des transformateurs pour l'analyse des sentiments. Au fur et à mesure de votre progression, vous appliquerez l'apprentissage profond à différents domaines, tels que la musique, le texte et la génération d'images à l'aide de modèles génératifs et explorerez le monde des réseaux adversaires génératifs (GAN). Vous allez non seulement construire et entraîner vos propres modèles d'apprentissage par renforcement profond dans PyTorch, mais aussi déployer des modèles PyTorch en production en utilisant des conseils et des techniques d'experts. Enfin, vous apprendrez à entraîner efficacement de grands modèles de manière distribuée, à rechercher efficacement des architectures neuronales avec AutoML et à prototyper rapidement des modèles à l'aide de PyTorch et de fast. ai.
À la fin de ce livre sur PyTorch, vous serez en mesure d'effectuer des tâches complexes d'apprentissage profond à l'aide de PyTorch pour construire des modèles d'intelligence artificielle intelligents.
Ce que vous apprendrez
⬤ Implémenter des modèles de génération de texte et de musique en utilisant PyTorch.
⬤ Construire un modèle de réseau Q profond (DQN) dans PyTorch.
⬤ Exporter des modèles PyTorch universels en utilisant Open Neural Network Exchange (ONNX).
⬤ Vous avez une bonne connaissance du prototypage rapide à l'aide de PyTorch avec des. ai.
⬤ Effectuer une recherche efficace d'architecture neuronale à l'aide d'AutoML.
⬤ Interpréter facilement les modèles d'apprentissage machine (ML) écrits en PyTorch à l'aide de Captum.
⬤ Concevoir des ResNets, LSTMs, Transformers, et plus encore en utilisant PyTorch.
⬤ Découvrez comment utiliser PyTorch pour l'apprentissage distribué en utilisant l'API torch. distributed.
A qui s'adresse ce livre ?
Ce livre s'adresse aux scientifiques des données, aux chercheurs en apprentissage automatique et aux praticiens de l'apprentissage profond qui cherchent à mettre en œuvre des paradigmes avancés d'apprentissage profond à l'aide de PyTorch 1. x. Une connaissance pratique de l'apprentissage profond et de la programmation Python est requise.
Autres informations sur le livre :
| ISBN : | 9781789614381 |
| Auteur : | |
| Éditeur : | |
| Reliure : | Broché |
Achat:
Actuellement disponible, en stock.
