دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models
دانلود کتاب دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی
مشخصات کتاب
PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models
ویرایش: [2 ed.]
نویسندگان: Pradeepta Mishra
سری:
ISBN (شابک) : 1484289242, 9781484289242
ناشر: Apress
سال نشر: 2022
تعداد صفحات: 290
[282]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 6 Mb
قیمت کتاب (تومان) : 49,000
در صورت تبدیل فایل کتاب PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models 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 دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی 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 دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی
با نحوه استفاده از PyTorch برای ساخت مدل های شبکه عصبی
با استفاده از قطعه کد به روز شده برای این نسخه دوم آشنا شوید.
این کتاب شامل فصل‌های جدیدی است که موضوعاتی مانند مدل‌سازی
PyTorch توزیع شده، استقرار مدل‌های PyTorch در تولید، و تحولات
پیرامون PyTorch با کد به‌روز شده را پوشش می‌دهد.
شما با یادگیری نحوه استفاده از تانسورها برای توسعه و تنظیم دقیق مدل‌های شبکه عصبی و پیاده سازی مدل های یادگیری عمیق مانند LSTM و RNN. در مرحله بعد، مفاهیم توزیع احتمال را با استفاده از PyTorch و همچنین الگوریتم های نظارت شده و بدون نظارت را با PyTorch بررسی خواهید کرد. به دنبال آن، مدل‌های ساختمانی با شبکه‌های عصبی کانولوشن، شبکه‌های عصبی عمیق و شبکه‌های عصبی تکراری با استفاده از PyTorch بررسی می‌شوند. این نسخه جدید همچنین موضوعاتی مانند Scorch، یک ماژول سازگار معادل کتابخانه یادگیری ماشین Scikit، کمی سازی مدل برای کاهش اندازه پارامتر، و آماده سازی یک مدل برای استقرار در یک سیستم تولید را پوشش می دهد. پردازش موازی توزیع شده برای متعادل کردن بارهای کاری PyTorch، استفاده از PyTorch برای پردازش تصویر، تجزیه و تحلیل صدا، و تفسیر مدل نیز به تفصیل پوشش داده شده است. هر فصل شامل تکه‌های کد دستور غذا برای انجام فعالیت‌های خاص است.
در پایان این کتاب، می‌توانید با اطمینان مدل‌های شبکه عصبی را با استفاده از PyTorch بسازید.
چه خواهید آموخت</ span>
</ span>این کتاب برای چه کسی استمهندسان یادگیری ماشین، دانشمندان داده و برنامه نویسان پایتون و توسعه دهندگان نرم افزار علاقه مند به یادگیری چارچوب PyTorch.
شما با یادگیری نحوه استفاده از تانسورها برای توسعه و تنظیم دقیق مدل‌های شبکه عصبی و پیاده سازی مدل های یادگیری عمیق مانند LSTM و RNN. در مرحله بعد، مفاهیم توزیع احتمال را با استفاده از PyTorch و همچنین الگوریتم های نظارت شده و بدون نظارت را با PyTorch بررسی خواهید کرد. به دنبال آن، مدل‌های ساختمانی با شبکه‌های عصبی کانولوشن، شبکه‌های عصبی عمیق و شبکه‌های عصبی تکراری با استفاده از PyTorch بررسی می‌شوند. این نسخه جدید همچنین موضوعاتی مانند Scorch، یک ماژول سازگار معادل کتابخانه یادگیری ماشین Scikit، کمی سازی مدل برای کاهش اندازه پارامتر، و آماده سازی یک مدل برای استقرار در یک سیستم تولید را پوشش می دهد. پردازش موازی توزیع شده برای متعادل کردن بارهای کاری PyTorch، استفاده از PyTorch برای پردازش تصویر، تجزیه و تحلیل صدا، و تفسیر مدل نیز به تفصیل پوشش داده شده است. هر فصل شامل تکه‌های کد دستور غذا برای انجام فعالیت‌های خاص است.
در پایان این کتاب، می‌توانید با اطمینان مدل‌های شبکه عصبی را با استفاده از PyTorch بسازید.
چه خواهید آموخت</ span>
- از کدها و مدل‌های جدید برای آموزش مدل‌های یادگیری ماشین با استفاده از PyTorch استفاده کنید
- آموزش عمیق مدل‌های یادگیری با پیاده‌سازی کمتر و هوشمندانه‌تر
- کاوش در چارچوب PyTorch برای توضیح‌پذیری مدل و شفاف‌سازی در تفسیر مدل
- ساخت، آموزش، و استقرار مدل‌های شبکه عصبی طراحی‌شده برای مقیاس‌بندی با PyTorch
- بهترین درک روش‌هایی برای ارزیابی و تنظیم دقیق مدل‌ها با استفاده از PyTorch
- استفاده از ویژگی‌های مشعل پیشرفته در آموزش شبکه‌های عصبی عمیق</ li>
- کاوش مدل های مختلف شبکه عصبی با استفاده از PyTorch
- کشف توابع سازگار با مدل های سازگار با کیت علمی< /span>
- اجرای آموزش و اجرای PyTorch توزیع شده
</ span>این کتاب برای چه کسی استمهندسان یادگیری ماشین، دانشمندان داده و برنامه نویسان پایتون و توسعه دهندگان نرم افزار علاقه مند به یادگیری چارچوب PyTorch.
توضیحاتی درمورد کتاب به خارجی
Learn how to use PyTorch to build neural network models
using code snippets updated for this second edition. This book
includes new chapters covering topics such as distributed
PyTorch modeling, deploying PyTorch models in production, and
developments around PyTorch with updated code.
You'll start by learning how to use tensors to develop and fine-tune neural network models and implement deep learning models such as LSTMs, and RNNs. Next, you'll explore probability distribution concepts using PyTorch, as well as supervised and unsupervised algorithms with PyTorch. This is followed by a deep dive on building models with convolutional neural networks, deep neural networks, and recurrent neural networks using PyTorch. This new edition covers also topics such as Scorch, a compatible module equivalent to the Scikit machine learning library, model quantization to reduce parameter size, and preparing a model for deployment within a production system. Distributed parallel processing for balancing PyTorch workloads, using PyTorch for image processing, audio analysis, and model interpretation are also covered in detail. Each chapter includes recipe code snippets to perform specific activities.
By the end of this book, you will be able to confidently build neural network models using PyTorch.
What You Will Learn
Who This Book Is ForMachine learning engineers, data scientists and Python programmers and software developers interested in learning the PyTorch framework.
You'll start by learning how to use tensors to develop and fine-tune neural network models and implement deep learning models such as LSTMs, and RNNs. Next, you'll explore probability distribution concepts using PyTorch, as well as supervised and unsupervised algorithms with PyTorch. This is followed by a deep dive on building models with convolutional neural networks, deep neural networks, and recurrent neural networks using PyTorch. This new edition covers also topics such as Scorch, a compatible module equivalent to the Scikit machine learning library, model quantization to reduce parameter size, and preparing a model for deployment within a production system. Distributed parallel processing for balancing PyTorch workloads, using PyTorch for image processing, audio analysis, and model interpretation are also covered in detail. Each chapter includes recipe code snippets to perform specific activities.
By the end of this book, you will be able to confidently build neural network models using PyTorch.
What You Will Learn
- Utilize new code snippets and models to train machine learning models using PyTorch
- Train deep learning models with fewer and smarter implementations
- Explore the PyTorch framework for model explainability and to bring transparency to model interpretation
- Build, train, and deploy neural network models designed to scale with PyTorch
- Understand best practices for evaluating and fine-tuning models using PyTorch
- Use advanced torch features in training deep neural networks
- Explore various neural network models using PyTorch
- Discover functions compatible with sci-kit learn compatible models
- Perform distributed PyTorch training and execution
Who This Book Is ForMachine learning engineers, data scientists and Python programmers and software developers interested in learning the PyTorch framework.
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Internationalisierung als Prozeßphänomen: Konzepte — Besonderheiten — Handhabung
دانلود کتاب La guerra de los agujeros negros
دانلود کتاب La Repubblica siamo noi. A scuola di Costituzione con i ragazzi di Libertà e Giustizia
دانلود کتاب Origins of Modern Witchcraft: The Evolution of a World Religion
