توضیحات
Supercharge your skills for tailoring deep-learning models and deploying them in production environments with ease and precision.
Key Features
- Learn how to convert a deep learning model running on notebook environments into production-ready application supporting various deployment environments.
- Learn conversion between PyTorch and TensorFlow.
- Achieving satisfactory model performance on various deployment environments where computational powers are often limited.
Book Description
Machine learning engineers, deep learning specialists, and data engineers without extensive experience encounter various problems when moving their models to a production environment.
Developers will be able to transform models into a desired format and deploy them with a full understanding of tradeoffs and possible alternative approaches. The book provides concrete implementations and associated methodologies that are off-the-shelf allowing readers to apply the knowledge in this book right away without much difficulty.
In this book, you will learn how to construct complex models in PyTorch and TensorFlow deep-learning frameworks. You will acquire knowledge to transform your models from one framework to the other and learn how to tailor them for specific requirements that the deployment setting introduces. By the end of this book, you will fully understand how to convert a PoC-like deep learning model into a ready-to-use version that is suitable for the target production environment.
Readers will have hands-on experience with commonly used deep learning frameworks and popular web services designed for data analytics at scale. You will get to grips with our collective know-hows from deploying hundreds of AI-based services at large scale.
What you will learn
- Learn how top-tier technology companies carry out a deep learning projects.
- Data preparation, model development & deployment, monitoring & maintenance.
- Convert a proof-of-concept deep learning model into a production-ready application.
- Learn various deep learning libraries like PyTorch / PyTorch Lightning, TensorFlow with and without Keras, TensorFlow with JAX.
- Learn techniques like model pruning and quantization, model distillation & model architecture search.
- Propose the right system architecture for deploying various AI applications at large scale.
- Set up a deep learning pipeline in an efficient and effective way using various AWS services.
Who This Book Is For
Machine learning engineers, deep learning specialists, and data scientists will find this book closing the gap between the theory and the applications with detailed examples. Readers with beginner level knowledge in machine learning or software engineering would find the contents easier to follow.
Table of Contents
- Effective Planning of Deep Learning Driven Projects
- Data Preparation for Deep Learning Projects
- Developing a Powerful Deep Learning Model
- Experiments Tracking, Model Management, and Dataset Versioning
- Data Preparation on Cloud
- Efficient Model Training
- Revealing the Secret of Deep Learning Models
- Simplifying Deep Learning Model Deployment
- Scaling Deep Learning Pipeline
- Improving Inference Efficiency
- Deep Learning on Mobile Device
- Monitoring Deep Learning Endpoint in Production
- Reviewing the Completed Deep Learning Project
————————————————————–
ترجمه ماشینی :
مهارتهای خود را برای طراحی مدلهای یادگیری عمیق و استقرار آنها در محیطهای تولیدی با سهولت و دقت بسیار زیاد کنید.
ویژگیهای کلیدی
- با نحوه تبدیل یک مدل یادگیری عمیق که در محیطهای نوتبوک اجرا میشود، به برنامهای آماده تولید که از محیطهای استقرار مختلف پشتیبانی میکند، بیاموزید.
- <. span>تبدیل بین PyTorch و TensorFlow را بیاموزید.
- دستیابی به عملکرد مدل رضایتبخش در محیطهای استقرار مختلف که در آن قدرت محاسباتی اغلب محدود است.
- span>
شرح کتاب
مهندسین یادگیری ماشین، متخصصان یادگیری عمیق و مهندسان داده بدون تجربه زیاد هنگام انتقال مدلهای خود به محیط تولید با مشکلات مختلفی مواجه میشوند.
توسعهدهندگان میتوانند مدلها را به قالب دلخواه تبدیل کرده و با درک کامل از مبادلات و رویکردهای جایگزین احتمالی، آنها را به کار گیرند. . این کتاب پیادهسازیهای مشخص و متدولوژیهای مرتبط را ارائه میکند که در دسترس هستند و به خوانندگان این امکان را میدهد تا دانش موجود در این کتاب را بلافاصله و بدون مشکل زیاد به کار ببرند.
در این کتاب، شما خواهید دید. یاد بگیرید که چگونه مدل های پیچیده را در چارچوب های یادگیری عمیق PyTorch و TensorFlow بسازید. شما دانشی را برای تبدیل مدل های خود از یک چارچوب به چارچوب دیگر به دست خواهید آورد و یاد خواهید گرفت که چگونه آنها را برای الزامات خاصی که تنظیمات استقرار معرفی می کند، تنظیم کنید. در پایان این کتاب، شما به طور کامل متوجه خواهید شد که چگونه یک مدل یادگیری عمیق شبیه به PoC را به یک نسخه آماده برای استفاده که برای محیط تولید هدف مناسب است، تبدیل کنید.
< span>خوانندگان تجربه عملی با چارچوب های یادگیری عمیق رایج و سرویس های وب محبوب طراحی شده برای تجزیه و تحلیل داده ها در مقیاس خواهند داشت. با استقرار صدها سرویس مبتنی بر هوش مصنوعی در مقیاس بزرگ، با دانش جمعی ما آشنا خواهید شد.
آنچه خواهید آموخت
< ul>
نقد و بررسیها
هنوز بررسیای ثبت نشده است.