توضیحات
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.
PyTorch is a recent entrant to the league of graph computation tools/programming languages. Addressing the limitations of previous frameworks, PyTorch promises a better user experience in the deployment of deep learning models and the creation of advanced models using a combination of convolutional neural networks, recurrent neural networks, LSTMs, and deep neural networks.
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 For
Machine learning engineers, data scientists and Python programmers and software developers interested in learning the PyTorch framework.
————————————————————–
ترجمه ماشینی :
یاد بگیرید چگونه از PyTorch برای ساخت مدل های شبکه عصبی با استفاده از قطعه کد به روز شده برای این نسخه دوم استفاده کنید. این کتاب شامل فصلهای جدیدی است که موضوعاتی مانند مدلسازی PyTorch توزیع شده، استقرار مدلهای PyTorch در تولید، و تحولات پیرامون PyTorch با کدهای بهروز شده را پوشش میدهد. شما با یادگیری نحوه استفاده از تانسورها برای توسعه و تنظیم مدلهای شبکه عصبی و پیادهسازی مدلهای یادگیری عمیق مانند LSTM و RNN شروع میکنید. 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 ماشینی 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 قطعه کد دستور غذا برای انجام فعالیت های خاص است. تا پایان این کتاب، میتوانید با اطمینان از PyTorch مدلهای شبکه عصبی بسازید. PyTorch اخیراً وارد لیگ ابزارهای محاسبه گراف/زبان های برنامه نویسی شده است. با پرداختن به محدودیتهای چارچوبهای قبلی، PyTorch تجربه کاربری بهتری را در به کارگیری مدلهای یادگیری عمیق و ایجاد مدلهای پیشرفته با استفاده از ترکیبی از شبکههای عصبی کانولوشن، شبکههای عصبی تکراری، LSTM و شبکههای عصبی عمیق را نوید میدهد. آنچه یاد خواهید گرفت برای آموزش مدلهای یادگیری ماشینی با استفاده از PyTorch از کدها و مدلهای جدید استفاده کنید آموزش مدلهای یادگیری عمیق با پیادهسازیهای کمتر و هوشمندتر چارچوب PyTorch را برای توضیحپذیری مدل و شفافسازی در تفسیر مدل کاوش کنید ساخت، آموزش، و استقرار مدلهای شبکه عصبی طراحیشده برای مقیاسپذیری با PyTorch درک بهترین روشها برای ارزیابی و تنظیم دقیق مدلها با استفاده از PyTorch استفاده از ویژگیهای مشعل پیشرفته در آموزش شبکههای عصبی عمیق کاوش مدلهای مختلف شبکه عصبی با استفاده از PyTorch کشف توابع سازگار با یادگیری کیت علمی مدل های سازگار انجام آموزش و اجرای PyTorch توزیع شده این کتاب برای مهندسان یادگیری ماشین، دانشمندان داده و برنامه نویسان Python و توسعه دهندگان نرم افزار علاقه مند به یادگیری چارچوب PyTorch است.
tag : دانلود کتاب دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم , Download دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم , دانلود دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم , Download PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition Book , دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم دانلود , buy دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم , خرید کتاب دستور العمل های PyTorch: یک رویکرد مشکل-راه حل برای ساخت، آموزش و استقرار مدل های شبکه عصبی، ویرایش دوم , دانلود کتاب PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition , کتاب PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition , دانلود PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition , خرید PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition , خرید کتاب PyTorch Recipes: A Problem-Solution Approach to Build, Train and Deploy Neural Network Models, 2nd Edition ,

نقد و بررسیها
هنوز بررسیای ثبت نشده است.