PyTorch kompakt
Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Diese Publikation zitieren
Accesses
Quotes
Beschreibung / Abstract
Eine großartige Ressource für alle, die mit PyTorch arbeiten
- Kurzgefasstes und präzises Wissen zu dem populären Deep-Learning-Framework
- Sowohl für PyTorch-Einsteiger:innen als auch für Fortgeschrittene nützlich
- Überblick über Modellentwicklung, Deployment, das PyTorch-Ökosystem und über hilfreiche PyTorch-Bibliotheken
- Mit Kurzeinstieg in PyTorch
Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen.
Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen.
Beschreibung
Inhaltsverzeichnis
- BEGINN
- Inhalt
- Kapitel 1: Eine Einführung in PyTorch
- Was ist PyTorch?
- Warum PyTorch verwenden?
- Erste Schritte
- Ein unterhaltsames Beispiel
- Kapitel 2: Tensoren
- Was ist ein Tensor?
- Tensoren erstellen
- Tensoroperationen
- Kapitel 3: Deep-Learning-Entwicklung mit PyTorch
- Der Gesamtprozess
- Datenvorbereitung
- Modellentwicklung
- Modellbereitstellung (Deployment)
- Kapitel 4: Referenzentwürfe für die Entwicklung neuronaler Netze
- Bildklassifizierung mit Transfer Learning
- Stimmungsanalyse mit Torchtext
- Generatives Lernen – Fashion-MNIST-Bilder mit DCGAN generieren
- Kapitel 5: PyTorch anpassen
- Benutzerdefinierte Schichten und Aktivierungsfunktionen
- Benutzerdefinierte Modellarchitekturen
- Benutzerdefinierte Verlustfunktionen
- Benutzerdefinierte Algorithmen für Optimierer
- Benutzerdefinierte Trainings-, Validierungs- und Testschleifen
- Kapitel 6: PyTorch beschleunigen und optimieren
- PyTorch auf einer TPU
- PyTorch auf mehreren GPUs (Einzelcomputer)
- Verteiltes Training (mehrere Computer)
- Modelloptimierung
- Kapitel 7: PyTorch in die Produktion überführen
- Tools und Bibliotheken für die PyTorch-Bereitstellung
- Eine Flask-App bereitstellen
- Colab-Flask-App
- Bereitstellen in der Cloud mit TorchServe
- Schneller Start mit Docker
- Bereitstellen auf mobilen und Edge-Geräten
- Kapitel 8: Das PyTorch-Ökosystem und zusätzliche Ressourcen
- Das PyTorch-Ökosystem
- Torchvision für Bild- und Videodaten
- Torchtext für NLP
- TensorBoard für die Visualisierung
- Zusätzliche PyTorch-Ressourcen
- Index