Aprendizaje Profundo Automatizado Usando Inteligencia de Redes Neuronales: Desarrollo y diseño de modelos Pytorch y Tensorflow con Python

Título original:

Automated Deep Learning Using Neural Network Intelligence: Develop and Design Pytorch and Tensorflow Models Using Python

Contenido del libro:

Optimice, desarrolle y diseñe modelos PyTorch y TensorFlow para un problema específico utilizando el conjunto de herramientas Microsoft Neural Network Intelligence (NNI). Este libro incluye ejemplos prácticos que ilustran enfoques automatizados de aprendizaje profundo y proporciona técnicas para facilitar su desarrollo de modelos de aprendizaje profundo.

Los primeros capítulos de este libro cubren los fundamentos del uso del conjunto de herramientas NNI y los métodos para resolver tareas de optimización de hiperparámetros. Entenderá el problema de maximización de funciones de caja negra utilizando NNI y sabrá cómo preparar un modelo TensorFlow o PyTorch para el ajuste de hiperparámetros, lanzar un experimento e interpretar los resultados. El libro se sumerge en los sintonizadores de optimización y los algoritmos de búsqueda en los que se basan: Búsqueda de evolución, búsqueda de recocido y el enfoque de optimización bayesiano. Se cubre la búsqueda de arquitectura neuronal y se aprende a desarrollar modelos de aprendizaje profundo desde cero. Se presentan los enfoques de búsqueda multi-ensayo y de un solo disparo del diseño automático de redes neuronales. El libro le enseña cómo construir un espacio de búsqueda y lanzar una búsqueda de arquitectura utilizando las últimas estrategias de exploración del estado de la técnica: Búsqueda Eficiente de Arquitectura Neuronal (ENAS) y Búsqueda Diferencial de Arquitectura (DARTS). Aprenderá a automatizar la construcción de una arquitectura de red neuronal para un problema y un conjunto de datos concretos. El libro se centra en la compresión de modelos y los métodos de ingeniería de características que son esenciales en el aprendizaje profundo automatizado. También incluye técnicas de rendimiento que permiten crear plataformas de entrenamiento distributivo a gran escala utilizando NNI.

Después de leer este libro, sabrá cómo utilizar todo el conjunto de herramientas de métodos automatizados de aprendizaje profundo. Las técnicas y ejemplos prácticos presentados en este libro le permitirán llevar sus rutinas de redes neuronales a un nivel superior.

Lo que aprenderá

⬤ Conocer los conceptos básicos de sintonizadores de optimización, espacio de búsqueda y ensayos.

⬤ Aplicar diferentes algoritmos de optimización hiperparamétrica para desarrollar redes neuronales efectivas.

⬤ Construir nuevos modelos de aprendizaje profundo desde cero.

⬤ Ejecutar la búsqueda automatizada de arquitectura neuronal para crear modelos de aprendizaje profundo de última generación.

⬤ Comprimir el modelo para eliminar capas de aprendizaje profundo innecesarias.

A quién va dirigido este libro

Científicos de datos de nivel intermedio a avanzado e ingenieros de aprendizaje automático involucrados en el aprendizaje profundo y el desarrollo práctico de redes neuronales.