دانلود کتاب PyTorch Deep Learning Hands-On: Build CNNs, RNNs, GANs, reinforcement learning, and more, quickly and easily (به فارسی: PyTorch Deep Learning Hands-On: ساخت CNN، RNN، GAN، یادگیری تقویتی و موارد دیگر، سریع و آسان) نوشته شده توسط «Sherin Thomas – Sudhanshu Passi»
اطلاعات کتاب PyTorch Deep Learning Hands-On: ساخت CNN، RNN، GAN، یادگیری تقویتی و موارد دیگر، سریع و آسان
موضوع اصلی: کامپیوترها
نوع: کتاب الکترونیکی
ناشر: Packt Publishing
نویسنده: Sherin Thomas – Sudhanshu Passi
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 250 / 251
حجم فایل: 4.30 مگابایت
کد کتاب: 1788834135 , 9781788834131
توضیحات کتاب PyTorch Deep Learning Hands-On: ساخت CNN، RNN، GAN، یادگیری تقویتی و موارد دیگر، سریع و آسان
پروژه های عملی همه روش های یادگیری عمیق کلیدی را که به صورت گام به گام در PyTorch ساخته شده اند پوشش می دهند
ویژگی های کلیدی
- اصول و داخلی PyTorch
- روش‌های یادگیری عمیق کلیدی را در PyTorch پیاده‌سازی کنید: CNN، GAN، RNN، یادگیری تقویتی و موارد دیگر
- روش‌های یادگیری عمیق بسازید و مدل‌های یادگیری عمیق را از نمونه‌سازی تا تولید ببرید
شرح کتاب
PyTorch Deep Learning Hands-On کتابی برای مهندسانی است که می خواهند یک راهنمای سریع برای انجام کار یادگیری عمیق با Pytorch داشته باشند. این یک کتاب درسی دانشگاهی نیست و سعی در آموزش اصول یادگیری عمیق ندارد. اگر می‌خواهید دست‌هایتان را کثیف کنید و PyTorch را سریع وارد کار کنید، این کتاب بیشترین کمک را به شما خواهد کرد.
PyTorch Deep Learning Hands-On نشان می دهد که چگونه می توان معماری های اصلی یادگیری عمیق را در PyTorch پیاده سازی کرد. این شبکه های عصبی، بینایی کامپیوتر، CNN ها، پردازش زبان طبیعی (RNN)، GAN ها و یادگیری تقویتی را پوشش می دهد. همچنین با چارچوب PyTorch، گردش‌های کاری یادگیری عمیق ایجاد می‌کنید، مدل‌های ساخته‌شده در پایتون را به TorchScript بسیار کارآمد منتقل می‌کنید و با استفاده از پیچیده‌ترین ابزارهای موجود، به تولید می‌پردازید.
هر فصل بر حوزه متفاوتی از یادگیری عمیق تمرکز دارد. فصل ها با یک بازنگری در مورد نحوه عملکرد مدل شروع می شوند، قبل از به اشتراک گذاشتن کدهایی که باید آنها را در PyTorch پیاده سازی کنید.
اگر می خواهید PyTorch را به سرعت به مجموعه ابزار یادگیری عمیق خود اضافه کنید، این کتاب ایده آل است.
آنچه خواهید آموخت
از PyTorch برای ساختن استفاده کنید:
- شبکه های عصبی ساده – ساخت شبکه های عصبی به روش PyTorch، با توابع سطح بالا، بهینه سازها و موارد دیگر
- شبکه های عصبی کانولوشنال – ایجاد سیستم های بینایی کامپیوتری پیشرفته
- شبکه های عصبی مکرر – کار با داده های متوالی مانند زبان طبیعی و صدا
- شبکه های متخاصم مولد – ایجاد محتوای جدید با مدل هایی از جمله SimpleGAN و CycleGAN
- آموزش تقویتی – توسعه سیستم هایی که می توانند مشکلات پیچیده ای مانند رانندگی یا بازی را حل کنند. بازی کردن
- جریان های کاری یادگیری عمیق – با گردش کار یادگیری عمیق مناسب با استفاده از PyTorch و بسته های کاربردی آن به طور موثر از ایده پردازی به تولید حرکت کنید
- مدل های آماده برای تولید – مدل های خود را برای محیط های تولید با کارایی بالا بسته بندی کنید.
این کتاب برای
مهندسین یادگیری ماشین که می خواهند PU را انجام دهند، است t PyTorch کار می کند.
فهرست محتوا
- آموزش عمیق و مقدمه PyTorch
- یک شبکه عصبی ساده
- جریان کاری یادگیری عمیق
- Vision کامپیوتر
- پردازش متوالی داده
- شبکه های مولد
- آموزش تقویتی
- PyTorch به تولید
Hands-on projects cover all the key deep learning methods built step-by-step in PyTorch
Key Features
- Internals and principles of PyTorch
- Implement key deep learning methods in PyTorch: CNNs, GANs, RNNs, reinforcement learning, and more
- Build deep learning workflows and take deep learning models from prototyping to production
Book Description
PyTorch Deep Learning Hands-On is a book for engineers who want a fast-paced guide to doing deep learning work with Pytorch. It is not an academic textbook and does not try to teach deep learning principles. The book will help you most if you want to get your hands dirty and put PyTorch to work quickly.
PyTorch Deep Learning Hands-On shows how to implement the major deep learning architectures in PyTorch. It covers neural networks, computer vision, CNNs, natural language processing (RNN), GANs, and reinforcement learning. You will also build deep learning workflows with the PyTorch framework, migrate models built in Python to highly efficient TorchScript, and deploy to production using the most sophisticated available tools.
Each chapter focuses on a different area of deep learning. Chapters start with a refresher on how the model works, before sharing the code you need to implement them in PyTorch.
This book is ideal if you want to rapidly add PyTorch to your deep learning toolset.
What you will learn
Use PyTorch to build:
- Simple Neural Networks – build neural networks the PyTorch way, with high-level functions, optimizers, and more
- Convolutional Neural Networks – create advanced computer vision systems
- Recurrent Neural Networks – work with sequential data such as natural language and audio
- Generative Adversarial Networks – create new content with models including SimpleGAN and CycleGAN
- Reinforcement Learning – develop systems that can solve complex problems such as driving or game playing
- Deep Learning workflows – move effectively from ideation to production with proper deep learning workflow using PyTorch and its utility packages
- Production-ready models – package your models for high-performance production environments
Who this book is for
Machine learning engineers who want to put PyTorch to work.
Table of Contents
- Deep Learning Walkthrough and PyTorch Introduction
- A Simple Neural Network
- Deep Learning Workflow
- Computer Vision
- Sequential Data Processing
- Generative Networks
- Reinforcement Learning
- PyTorch to Production
