PyTorch Pocket Reference: Building and Deploying Deep Learning Models

این مرجع مختصر و کاربردی، یکی از محبوب‌ترین چارچوب‌ها برای تحقیق و توسعه یادگیری عمیق را در اختیار شما قرار می‌دهد. نویسنده جو پاپا دسترسی فوری به نحو، الگوهای طراحی و نمونه‌های کد را فراهم می‌کند تا توسعه شما را تسریع کند و زمانی را که برای جستجوی پاسخ صرف می‌کنید کاهش دهد.

دانشمندان پژوهش، مهندسین یادگیری ماشین و توسعه‌دهندگان نرم‌افزار به وضوح متوجه می‌شوند، کد PyTorch ساختاری که هر مرحله از توسعه شبکه عصبی را پوشش می‌دهد - از بارگذاری داده‌ها تا سفارشی‌سازی حلقه‌های آموزشی تا بهینه‌سازی مدل و شتاب GPU/TPU. به سرعت یاد بگیرید که چگونه کد خود را با استفاده از AWS، Google Cloud، یا Azure به کار ببرید و مدل‌های ML خود را در دستگاه‌های تلفن همراه و لبه اجرا کنید.

• آموزش نحوی و الگوهای طراحی اولیه PyTorch
<. li>ایجاد مدل های سفارشی و تبدیل داده ها
• آموزش و استقرار مدل ها با استفاده از GPU و TPU
• آموزش و آزمایش طبقه بندی کننده یادگیری عمیق
• تسریع آموزش با استفاده از بهینه سازی و آموزش توزیع شده
• دسترسی به کتابخانه های مفید PyTorch و اکوسیستم PyTorch

This concise, easy-to-use reference puts one of the most popular frameworks for deep learning research and development at your fingertips. Author Joe Papa provides instant access to syntax, design patterns, and code examples to accelerate your development and reduce the time you spend searching for answers.

Research scientists, machine learning engineers, and software developers will find clear, structured PyTorch code that covers every step of neural network development-from loading data to customizing training loops to model optimization and GPU/TPU acceleration. Quickly learn how to deploy your code to production using AWS, Google Cloud, or Azure and deploy your ML models to mobile and edge devices.

• Learn basic PyTorch syntax and design patterns
• Create custom models and data transforms
• Train and deploy models using a GPU and TPU
• Train and test a deep learning classifier
• Accelerate training using optimization and distributed training
• Access useful PyTorch libraries and the PyTorch ecosystem