دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning with PyTorch Lightning: Build and train high-performance artificial intelligence and self-supervised models using Python
دانلود کتاب یادگیری عمیق با PyTorch Lightning: ساخت و آموزش مدل‌های هوش مصنوعی با کارایی بالا و خود نظارتی با استفاده از Python
مشخصات کتاب
Deep Learning with PyTorch Lightning: Build and train high-performance artificial intelligence and self-supervised models using Python
ویرایش: [1 ed.]
نویسندگان: Kunal Sawarkar. Dheeraj Arremsetty
سری:
ISBN (شابک) : 9781800561618
ناشر: Packt
سال نشر: 2022
تعداد صفحات: 364
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 21 Mb
قیمت کتاب (تومان) : 48,000
در صورت تبدیل فایل کتاب Deep Learning with PyTorch Lightning: Build and train high-performance artificial intelligence and self-supervised models using Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق با PyTorch Lightning: ساخت و آموزش مدل‌های هوش مصنوعی با کارایی بالا و خود نظارتی با استفاده از Python نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری عمیق با PyTorch Lightning: ساخت و آموزش مدل‌های هوش مصنوعی با کارایی بالا و خود نظارتی با استفاده از Python
با استفاده از PyTorch Wrapper سبک وزن، مدل های یادگیری عمیق را به سرعت و با دقت بسازید، آموزش دهید، اجرا کنید و مقیاس دهید. ویژگی های کلیدی با معماری PyTorch Lightning آشنا شوید و یاد بگیرید که چگونه می توان آن را در حوزه های مختلف صنعتی پیاده سازی کرد. با استفاده از PyTorch Lightning با ایجاد توابع از دست دادن، شبکه ها و معماری های جدید، سرعت تحقیقات خود را افزایش دهید آموزش و ساخت الگوریتم های جدید برای داده های عظیم با استفاده از آموزش توزیع شده توضیحات کتاب PyTorch Lightning به محققان این امکان را می دهد که مدل های یادگیری عمیق (DL) خود را بدون نگرانی در مورد دیگ بخار بسازند. با کمک این کتاب، می‌توانید بهره‌وری پروژه‌های DL را به حداکثر برسانید و در عین حال انعطاف‌پذیری کامل را از فرمول‌بندی مدل تا اجرا تضمین کنید. شما یک رویکرد عملی برای پیاده سازی مدل های PyTorch Lightning خواهید داشت تا در کمترین زمان به سرعت خود برسید. شما با یادگیری نحوه پیکربندی PyTorch Lightning بر روی یک پلتفرم ابری، درک اجزای معماری و کشف نحوه پیکربندی آنها برای ساخت راه‌حل‌های صنعتی مختلف شروع می‌کنید. در مرحله بعد، یک شبکه و برنامه را از ابتدا می سازید و می بینید که چگونه می توانید آن را بر اساس نیازهای خاص خود، فراتر از آنچه چارچوب می تواند ارائه دهد، گسترش دهید. این کتاب همچنین نحوه پیاده‌سازی قابلیت‌های خارج از جعبه را برای ساخت و آموزش مدل‌های یادگیری خود نظارت، یادگیری نیمه نظارت شده و مدل‌های سری زمانی با استفاده از PyTorch Lightning نشان می‌دهد. با پیشروی، متوجه خواهید شد که شبکه‌های متخاصم (GAN) چگونه کار می‌کنند. در نهایت، شما با برنامه‌های آماده استقرار، تمرکز بر عملکرد و مقیاس‌بندی سریع‌تر، امتیازدهی مدل بر روی حجم عظیم داده و اشکال‌زدایی مدل کار خواهید کرد. در پایان این کتاب PyTorch، دانش و مهارت های لازم برای ساخت و استقرار برنامه های DL مقیاس پذیر خود را با استفاده از PyTorch Lightning توسعه خواهید داد. آنچه خواهید آموخت مدل هایی را که برای مجموعه داده ها، معماری مدل ها و بهینه سازهای مختلف ساخته شده اند، سفارشی کنید بدانید که چگونه می توان انواع مدل های یادگیری عمیق از تشخیص تصویر و سری های زمانی گرفته تا GAN ها، مدل های نیمه نظارت شده و خود نظارت را ساخت. از معماری های مدل خارج از جعبه و مدل های از پیش آموزش دیده با استفاده از یادگیری انتقال استفاده کنید مدل‌های DL را در یک محیط چند GPU با استفاده از دقت حالت ترکیبی اجرا و تنظیم کنید تکنیک‌هایی را برای امتیازدهی مدل در بارهای کاری عظیم کاوش کنید در حین اشکال زدایی مدل های DL، تکنیک های عیب یابی را کشف کنید این کتاب برای چه کسی است این کتاب یادگیری عمیق برای دانشمندان داده شهروندی و دانشمندان متخصص داده است که از چارچوب های دیگر به PyTorch Lightning منتقل می شوند. این کتاب همچنین برای محققان یادگیری عمیق که به تازگی با استفاده از PyTorch Lightning کدنویسی برای مدل های یادگیری عمیق را آغاز کرده اند مفید خواهد بود. دانش کاری برنامه نویسی پایتون و درک سطح متوسط از آمار و اصول یادگیری عمیق انتظار می رود. فهرست مطالب ماجراجویی رعد و برق PyTorch با اولین مدل یادگیری عمیق خود از زمین خارج شوید انتقال یادگیری با استفاده از مدل های از پیش آموزش دیده مدل های آماده برای استفاده از پیچ و مهره ها مدل های سری زمانی مدل های مولد عمیق یادگیری نیمه نظارتی یادگیری خود نظارتی استقرار و امتیازدهی مدل ها مقیاس بندی و مدیریت آموزش
توضیحاتی درمورد کتاب به خارجی
Build, train, deploy, and scale deep learning models quickly and accurately, improving your productivity using the lightweight PyTorch Wrapper Key Features Become well-versed with PyTorch Lightning architecture and learn how it can be implemented in various industry domains Speed up your research using PyTorch Lightning by creating new loss functions, networks, and architectures Train and build new algorithms for massive data using distributed training Book Description PyTorch Lightning lets researchers build their own Deep Learning (DL) models without having to worry about the boilerplate. With the help of this book, you'll be able to maximize productivity for DL projects while ensuring full flexibility from model formulation through to implementation. You'll take a hands-on approach to implementing PyTorch Lightning models to get up to speed in no time. You'll start by learning how to configure PyTorch Lightning on a cloud platform, understand the architectural components, and explore how they are configured to build various industry solutions. Next, you'll build a network and application from scratch and see how you can expand it based on your specific needs, beyond what the framework can provide. The book also demonstrates how to implement out-of-box capabilities to build and train Self-Supervised Learning, semi-supervised learning, and time series models using PyTorch Lightning. As you advance, you'll discover how generative adversarial networks (GANs) work. Finally, you'll work with deployment-ready applications, focusing on faster performance and scaling, model scoring on massive volumes of data, and model debugging. By the end of this PyTorch book, you'll have developed the knowledge and skills necessary to build and deploy your own scalable DL applications using PyTorch Lightning. What you will learn Customize models that are built for different datasets, model architectures, and optimizers Understand how a variety of Deep Learning models from image recognition and time series to GANs, semi-supervised and self-supervised models can be built Use out-of-the-box model architectures and pre-trained models using transfer learning Run and tune DL models in a multi-GPU environment using mixed-mode precisions Explore techniques for model scoring on massive workloads Discover troubleshooting techniques while debugging DL models Who this book is for This deep learning book is for citizen data scientists and expert data scientists transitioning from other frameworks to PyTorch Lightning. This book will also be useful for deep learning researchers who are just getting started with coding for deep learning models using PyTorch Lightning. Working knowledge of Python programming and an intermediate-level understanding of statistics and deep learning fundamentals is expected. Table of Contents PyTorch Lightning Adventure Getting Off the Ground with Your First Deep Learning Model Transfer Learning Using Pre-Trained Models Ready-to- Use Models from Bolts Time Series Models Deep Generative Models Semi-Supervised Learning Self-Supervised Learning Deploying and Scoring Models Scaling and Managing Training
فهرست مطالب
Cover Title Page Copyright and Credits Contributors Table of Contents Preface Section 1: Kickstarting with PyTorch Lightning Chapter 1: PyTorch Lightning Adventure What makes PyTorch Lightning so special? The first one…. So many frameworks? PyTorch versus TensorFlow A golden mean – PyTorch Lightning– My Lightning adventure Understanding the key components of PyTorch Lightning DL pipeline PyTorch Lightning abstraction layers Crafting AI applications using PyTorch Lightning Image recognition models Transfer learning NLP Transformer models Lightning Flash Time series models with LSTM Generative Adversarial Networks with Autoencoders Semi-supervised models combining CNN and RNN Self-supervised models for contrastive learning Deploying and scoring models Scaling models and productivity tips Further reading Summary Chapter 2: Getting off the Ground with the First Deep Learning Model Technical requirements Getting started with NNs Why NNs? About the XOR operator MLP architecture Building a Hello World MLP model Importing libraries Preparing the data Configuring the model Training the model Loading the model Making predictions Building our first DL model So, what makes it deep? CNN architecture Building a CNN model for image recognition Importing the packages Collecting the data Preparing the data Building the model Training the model Evaluating the accuracy of the model Model improvement exercises Summary Chapter 3: Transfer Learning Using Pre-Trained Models Technical requirements Getting started with transfer learning An image classifier using a pre-trained ResNet-50 architecture Preparing the data Extracting the dataset Pre-processing the dataset Loading the dataset Building the model Training the model Evaluating the accuracy of the model Text classification using BERT transformers Collecting the data Preparing the dataset Setting up the DataLoader instances Building the model Setting up model training and testing Training the model Evaluating the model Summary Chapter 4: Ready-to-Cook Models from Lightning Flash Technical requirements Getting started with Lightning Flash Flash is as simple as 1-2-3 Video classification using Flash Slow and SlowFast architecture Importing libraries Loading the dataset Configuring the backbone Fine-tuning the model Making predictions using the model Automatic speech recognition using Flash Importing libraries Loading the dataset Configuring the backbone Fine-tuning the model Speech prediction using the model Further learning Summary Section 2: Solving using PyTorch Lightning Chapter 5: Time Series Models Technical requirements Introduction to time series Time series forecasting using deep learning Getting started with time series models Traffic volume forecasting using the LSTM time series model Dataset analysis Feature engineering Creating a custom dataset Configuring the LSTM model using PyTorch Lightning Setting up the optimizer Training the model Measuring the training loss Loading the model A prediction on the test dataset The next steps Summary Chapter 6: Deep Generative Models Technical requirements Getting started with GAN models What is a GAN? Creating new food items using a GAN Loading the dataset Feature engineering utility functions The discriminator model The generator model The generative adversarial model Training the GAN model The model output showing fake images Creating new butterfly species using a GAN GAN training challenges Creating images using DCGAN Summary Chapter 7: Semi-Supervised Learning Technical requirements Getting started with semi-supervised learning Going through the CNN–RNN architecture Generating captions for images Downloading the dataset Assembling the data Training the model Generating the caption Next steps Summary Chapter 8: Self-Supervised Learning Technical requirements Getting started with Self-Supervised Learning So, what does it mean to be Self-Supervised? What is Contrastive Learning? SimCLR architecture How does SimCLR work? SimCLR model for image recognition Collecting the dataset Setting up data augmentation Loading the dataset Training configuration Model training Model evaluation Next steps Summary Section 3: Advanced Topics Chapter 9: Deploying and Scoring Models Technical requirements Deploying and scoring a deep learning model natively The pickle (.PKL) model file format Deploying our deep learning model Saving and loading model checkpoints Deploying and scoring a model using Flask Deploying and scoring inter-portable models What is the ONNX format? Why does it matter? Saving and loading the ONNX model Deploying and scoring the ONNX model using Flask Next steps Further reading Summary Chapter 10: Scaling and Managing Training Technical Requirements Managing training Saving model hyperparameters Efficient debugging Monitoring the training loss using TensorBoard Scaling up training Speeding up model training using a number of workers GPU/TPU training Mixed precision training/16-bit training Controlling training Saving model checkpoints when using the cloud Changing the default behavior of the checkpointing feature Resuming training from a saved checkpoint Saving downloaded and assembled data when using the cloud Further reading Summary Index Other Books You May Enjoy
