PyTorch für Deep Learning
Anwendungen für Bild-, Ton- und Textdaten entwickeln und deployen
Ian Pointer
Cite this publication as
Ian Pointer, PyTorch für Deep Learning (2020), O'Reilly Verlag, Heidelberg, ISBN: 9783960103998
5897
accesses
accesses
36
quotes
quotes
Descripción / Abstract
Der praktische Einstieg in PyTorch
Lernen Sie, neuronale Netze zu erstellen und sie für verschiedene Datentypen zu trainieren
Das Buch deckt den gesamten Entwicklungszyklus von Deep-Learning-Anwendungen ab: Vom Erstellen über das Debuggen bis zum Deployen
Mit Use Cases, die zeigen, wie PyTorch bei führenden Unternehmen eingesetzt wird
Mit diesem Praxisbuch meistern Sie die Methoden des Deep Learning, einer Teildisziplin des Machine Learning, die die Welt um uns herum verändert. Machen Sie sich mit PyTorch, dem populären Python-Framework von Facebook, vertraut, und lernen Sie Schlüsselkonzepte und neueste Techniken kennen, um eigene neuronale Netze zu entwickeln.
Ian Pointer zeigt Ihnen zunächst, wie Sie PyTorch in einer Cloud-basierten Umgebung einrichten. Er führt Sie dann durch die einzelnen Schritte der Entwicklung von neuronalen Architekturen, um typische Anwendungen für Bilder, Ton, Text und andere Datenformate zu erstellen. Er erläutert auch das innovative Konzept des Transfer Learning und das Debuggen der Modelle. Sie erfahren zudem, wie Sie Ihre Deep-Learning-Anwendungen in den Produktiveinsatz bringen.
Aus dem Inhalt:
Ergründen Sie modernste Modelle für das Natural Language Processing, die mit umfangreichen Textkorpora wie dem Wikipedia-Datensatz trainiert wurden
Verwenden Sie das PyTorch-Paket torchaudio, um Audiodateien mit einem neuronalen Konvolutionsmodell zu klassifizieren
Lernen Sie, wie man Transfer Learning auf Bilder anwendet
Debuggen Sie PyTorch-Modelle mithilfe von TensorBoard und Flammendiagrammen
Deployen Sie PyTorch-Anwendungen im Produktiveinsatz in Docker-Containern und Kubernetes-Clustern, die in der Google Cloud laufen
Erkunden Sie PyTorch-Anwendungsfälle von führenden Unternehmen
Für die deutsche Ausgabe wurde das Buch in Zusammenarbeit mit Ian Pointer von Marcus Fraaß aktualisiert und um einige Themen erweitert.
Lernen Sie, neuronale Netze zu erstellen und sie für verschiedene Datentypen zu trainieren
Das Buch deckt den gesamten Entwicklungszyklus von Deep-Learning-Anwendungen ab: Vom Erstellen über das Debuggen bis zum Deployen
Mit Use Cases, die zeigen, wie PyTorch bei führenden Unternehmen eingesetzt wird
Mit diesem Praxisbuch meistern Sie die Methoden des Deep Learning, einer Teildisziplin des Machine Learning, die die Welt um uns herum verändert. Machen Sie sich mit PyTorch, dem populären Python-Framework von Facebook, vertraut, und lernen Sie Schlüsselkonzepte und neueste Techniken kennen, um eigene neuronale Netze zu entwickeln.
Ian Pointer zeigt Ihnen zunächst, wie Sie PyTorch in einer Cloud-basierten Umgebung einrichten. Er führt Sie dann durch die einzelnen Schritte der Entwicklung von neuronalen Architekturen, um typische Anwendungen für Bilder, Ton, Text und andere Datenformate zu erstellen. Er erläutert auch das innovative Konzept des Transfer Learning und das Debuggen der Modelle. Sie erfahren zudem, wie Sie Ihre Deep-Learning-Anwendungen in den Produktiveinsatz bringen.
Aus dem Inhalt:
Ergründen Sie modernste Modelle für das Natural Language Processing, die mit umfangreichen Textkorpora wie dem Wikipedia-Datensatz trainiert wurden
Verwenden Sie das PyTorch-Paket torchaudio, um Audiodateien mit einem neuronalen Konvolutionsmodell zu klassifizieren
Lernen Sie, wie man Transfer Learning auf Bilder anwendet
Debuggen Sie PyTorch-Modelle mithilfe von TensorBoard und Flammendiagrammen
Deployen Sie PyTorch-Anwendungen im Produktiveinsatz in Docker-Containern und Kubernetes-Clustern, die in der Google Cloud laufen
Erkunden Sie PyTorch-Anwendungsfälle von führenden Unternehmen
Für die deutsche Ausgabe wurde das Buch in Zusammenarbeit mit Ian Pointer von Marcus Fraaß aktualisiert und um einige Themen erweitert.
Descripción
Ian Pointer ist Data Engineer. Er hat sich auf Lösungen für Fortune-100-Kunden spezialisiert, die auf Methoden des Machine Learnings (insbesondere Deep Learning) basieren. Ian arbeitet derzeit bei Lucidworks, wo er sich innovativen NLP-Anwendungen und dem Engineering widmet.
Índice
- BEGINN
- Inhalt
- Kapitel 1: Einstieg in PyTorch
- Zusammenbau eines maßgeschneiderten Deep-Learning-Rechners
- Deep Learning in der Cloud
- Verwendung von Jupyter Notebook
- PyTorch selbst installieren
- Tensoren
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 2: Bildklassifizierung mit PyTorch
- Unsere Klassifizierungsaufgabe
- Traditionelle Herausforderungen
- Endlich, ein neuronales Netzwerk!
- Training
- Alles in einem
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 3: Neuronale Konvolutionsnetze (CNNs)
- Unser erstes Konvolutionsnetz
- Die Geschichte der CNN-Architekturen
- Vortrainierte Modelle in PyTorch nutzen
- One-Stop-Shopping für Modelle: PyTorch Hub
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 4: Transfer Learning und andere Kniffe
- Transfer Learning mit ResNet
- Die optimale Lernrate finden
- Differenzielle Lernraten
- Datenaugmentation
- Ensemble-Modelle
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 5: Textklassifizierung
- Rekurrente neuronale Netzwerke
- Long-Short-Term-Memory-(LSTM-)Netzwerke
- Einbettungen
- Torchtext
- Datenaugmentation
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 6: Eine Reise in die Welt der Klänge
- Töne
- Der ESC-50-Datensatz
- Den ESC-50-Datensatz erkunden
- Ein CNN-Modell für den ESC-50-Datensatz
- Frequenzbereich
- Datenaugmentation für Audiodaten
- Weitere Experimente
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 7: PyTorch-Modelle debuggen
- 3 Uhr morgens. Wie steht es um Ihre Daten?
- TensorBoard
- Flammendiagramme
- Debuggen von GPU-Problemen
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 8: PyTorch im Produktiveinsatz
- Bereitstellen eines Modells
- Deployment mit Kubernetes
- TorchScript
- Mit libTorch arbeiten
- Quantisierung
- Zusammenfassung
- Weiterführende Literatur
- Kapitel 9: Praxiserprobte PyTorch-Modelle in Aktion
- Datenaugmentation: Vermischen und Glätten
- Computer, einmal in scharf bitte!
- Weitere Einblicke in die Bilderkennung
- Adversarial Samples
- Die Transformer-Architektur
- Selbstüberwachtes Training mit PyTorch Lightning auf Basis von Bildern
- Zusammenfassung
- Weiterführende Literatur
- Index