Programación de Pytorch para aprendizaje profundo: Creación e implementación de aplicaciones de aprendizaje profundo

Opiniones de los lectores

El libro sirve como introducción a PyTorch y al aprendizaje profundo, proporcionando una visión general cohesionada de varias arquitecturas y técnicas. Aunque incluye ejemplos prácticos y pasos críticos en el proceso de aprendizaje, ha sido criticado por errores de código, falta de profundidad y por ser excesivamente básico.

⬤ Cubre una amplia gama de arquitecturas y técnicas
⬤ sirve como una buena introducción a PyTorch
⬤ ejemplos prácticos y proyectos
⬤ organiza bien el contenido
⬤ proporciona consejos críticos para los profesionales
⬤ incluye referencias en línea.

⬤ Los ejemplos de código a menudo no son ejecutables
⬤ muchos errores y erratas en el código
⬤ falta profundidad en los temas
⬤ algunos contenidos parecen reciclados o incompletos
⬤ impreso en blanco y negro
⬤ puede no ser adecuado para estudiantes avanzados.

(basado en 19 opiniones de lectores)

Título original:

Programming Pytorch for Deep Learning: Creating and Deploying Deep Learning Applications

Contenido del libro:

Da los siguientes pasos para dominar el aprendizaje profundo, el método de aprendizaje automático que está transformando el mundo que nos rodea a cada segundo. En este práctico libro, te pondrás al día sobre las ideas clave utilizando el framework de código abierto PyTorch de Facebook y adquirirás las últimas habilidades que necesitas para crear tus propias redes neuronales.

Ian Pointer te muestra cómo configurar PyTorch en un entorno basado en la nube y, a continuación, te guía a través de la creación de arquitecturas neuronales que facilitan las operaciones con imágenes, sonido, texto y mucho más mediante profundas inmersiones en cada elemento. También cubre los conceptos críticos de la aplicación de aprendizaje de transferencia a las imágenes, la depuración de modelos, y PyTorch en la producción.

⬤ Aprenda cómo implementar modelos de aprendizaje profundo en producción.

⬤ Explora casos de uso de PyTorch de varias empresas líderes.

⬤ Aprender a aplicar el aprendizaje de transferencia a las imágenes.

⬤ Aplicar técnicas NLP de vanguardia utilizando un modelo entrenado en Wikipedia.

⬤ Utilizar la librería torchaudio de PyTorch para clasificar datos de audio con un modelo convolucional.

⬤ Depurar modelos PyTorch usando TensorBoard y gráficos de llama.

⬤ Desplegar aplicaciones PyTorch en producción en contenedores Docker y clústeres Kubernetes que se ejecutan en Google Cloud.