Dominio de PyTorch: Construya potentes arquitecturas de redes neuronales utilizando las funciones avanzadas de PyTorch 1.x

Opiniones de los lectores

El libro es un recurso práctico para aprender PyTorch y deep learning, que ofrece un enfoque práctico de varias arquitecturas y conceptos del campo. Cubre el despliegue de modelos, la puesta en producción y proporciona ejercicios para mejorar la comprensión. Mientras que muchos usuarios lo elogian por su claridad y cobertura exhaustiva, algunos lo critican por ejemplos de código incompletos.

⬤ Enfoque práctico para aprender PyTorch y deep learning.
⬤ Cobertura exhaustiva de los principales temas como CNNs, LSTMs, GANs y aprendizaje por refuerzo.
⬤ Ejercicios útiles en cada capítulo para una mejor comprensión.
⬤ Bueno tanto para principiantes como para aquellos con cierta familiaridad con el aprendizaje profundo.
⬤ Explicaciones claras con diagramas intuitivos.

⬤ Algunos ejemplos de código están incompletos o se presentan como pseudocódigo, lo que provoca frustración.
⬤ Ciertos usuarios experimentaron problemas al ejecutar el código proporcionado.
⬤ La profundidad de la teoría matemática puede ser insuficiente para aquellos que buscan un tratamiento más riguroso.

(basado en 10 opiniones de lectores)

Título original:

Mastering PyTorch: Build powerful neural network architectures using advanced PyTorch 1.x features

Contenido del libro:

Domina técnicas y algoritmos avanzados de aprendizaje profundo con PyTorch utilizando ejemplos del mundo real

Características principales

⬤ Entender cómo utilizar PyTorch 1. x para construir modelos avanzados de redes neuronales.

⬤ Aprenda a realizar una amplia gama de tareas implementando algoritmos y técnicas de aprendizaje profundo.

⬤ Gane experiencia en dominios como visión por computadora, NLP, Deep RL, Explainable AI y mucho más.

Descripción del libro

El aprendizaje profundo está impulsando la revolución de la IA, y PyTorch está haciendo que sea más fácil que nunca para cualquiera construir aplicaciones de aprendizaje profundo. Este libro de PyTorch le ayudará a descubrir técnicas expertas para sacar el máximo provecho de sus datos y construir complejos modelos de redes neuronales.

El libro comienza con una rápida visión general de PyTorch y explora el uso de arquitecturas de redes neuronales convolucionales (CNN) para la clasificación de imágenes. A continuación, trabajarás con arquitecturas de redes neuronales recurrentes (RNN) y transformadores para el análisis de sentimientos. A medida que avance, aplicará el aprendizaje profundo en diferentes dominios, como la música, el texto y la generación de imágenes utilizando modelos generativos y explorará el mundo de las redes generativas adversariales (GAN). No sólo construirá y entrenará sus propios modelos de aprendizaje profundo por refuerzo en PyTorch, sino que también desplegará modelos PyTorch en producción utilizando consejos y técnicas de expertos. Por último, aprenderás a entrenar grandes modelos de forma eficiente y distribuida, a buscar arquitecturas neuronales de forma efectiva con AutoML y a prototipar modelos rápidamente utilizando PyTorch y fast. ai.

Al final de este libro PyTorch, usted será capaz de realizar tareas complejas de aprendizaje profundo utilizando PyTorch para construir modelos inteligentes de inteligencia artificial.

Lo que aprenderás

⬤ Implementar modelos generadores de texto y música usando PyTorch.

⬤ Construir un modelo Q-network profundo (DQN) en PyTorch.

⬤ Exportar modelos PyTorch universales utilizando Open Neural Network Exchange (ONNX).

⬤ Llegar a ser bien versado con la creación rápida de prototipos utilizando PyTorch con rápida. ai.

⬤ Realizar búsquedas de arquitecturas neuronales con AutoML.

⬤ Interpretar fácilmente modelos de aprendizaje automático (ML) escritos en PyTorch utilizando Captum.

⬤ Diseñar ResNets, LSTMs, Transformers, y más usando PyTorch.

⬤ Descubra cómo utilizar PyTorch para el entrenamiento distribuido utilizando la API distribuida torch.

Para quién es este libro

Este libro está dirigido a científicos de datos, investigadores de aprendizaje automático y profesionales del aprendizaje profundo que buscan implementar paradigmas avanzados de aprendizaje profundo utilizando PyTorch 1.x. Se requieren conocimientos prácticos de aprendizaje profundo con programación Python.