Лука Антига, Томас Виман, Эли Стивенс PyTorch. Освещая глубокое обучение

Многие средства глубокого обучения используют Python, но именно библиотека PyTorch по-настоящему «питоническая». Легкая в освоении для тех, кто знаком с NumPy и scikit-learn, PyTorch упрощает работу с глубоким обучением, обладая в то же время богатым набором функций. PyTorch прекрасно подходит для быстрого создания моделей и без проблем масштабируется до корпоративного проекта. PyTorch используют такие компании как Apple и JPMorgan Chase.

Навыки работы с этой библиотекой пригодятся вам для карьерного роста. Вы научитесь создавать нейронные сети и системы глубокого обучения с помощью PyTorch. Книга поможет быстро приступить к созданию реального проекта с нуля. В ней описаны лучшие практики всего конвейера работы с данными, включая PyTorch Tensor API, загрузку данных на Python, мониторинг обучения и визуализацию полученных результатов.

IT-технологии

Возрастные ограничения: 16+

Издательство: Питер

Переводчики: Сергей Черников, Игорь Пальти

Бумажных страниц: 935

Книгу «PyTorch. Освещая глубокое обучение», которой — Лука Антига, Томас Виман, Эли Стивенс, вы можете почитать на сайте или в приложении для iOS или Android. Книги, аудиокниги и комиксы электронной библиотеки Яндекс Книг можно читать и слушать онлайн или скачивать на устройство, чтобы читать без интернета.

Лука Антига, Томас Виман, Эли Стивенс PyTorch. Освещая глубокое обучение

О книге Цитаты50 Читают496 На полках

IT-технологии

Возрастные ограничения: 16+

Издательство: Питер

Переводчики: Сергей Черников, Игорь Пальти

Бумажных страниц: 935

Цитаты50

Рубен Г.цитирует6 дней назад

унаследовал немалую дол

Комментировать

Алексей Лавровцитирует1 месяц назад

Говоря другими словами, речь идет о многомерных массивах. Размерность тензора соответствует числу индексов, при помощи которых можно ссылаться на скалярные значения внутри тензора

Комментировать

Юрацитирует1 год назад

• Модель сегментации определяет принадлежность отдельных пикселей или вокселей к определенному классу. Этим сегментация отличается от классификации, которая работает на уровне всего изображения.

• Архитектура U-Net в свое время была революционной архитектурой для задач сегментации.

• Используя сегментацию с последующей классификацией, мы можем реализовать обнаружение объектов, не предъявляя слишком серьезных требований к данным и вычислениям.

• Наивные подходы к 3D-сегментации могут привести к быстрому использованию слишком большого объема оперативной памяти у ГП текущего поколения. Ограничение объема данных, передаваемых модели, может помочь снизить затраты оперативной памяти.

• Можно обучать модель сегментации на кадрированных изображениях, одновременно проверяя полноценные срезы изображения. Эта гибкость может оказаться полезна с точки зрения балансировки классов.

• Взвешивание потерь позволяет выделить значимость потерь определенных классов или подмножеств обучающих данных, чтобы отклонить поведение модели в нужную сторону. Этот механизм, вкупе с балансировкой классов, является полезным инструментом для регулировки производительности модели.

• TensorBoard может отображать 2D-изображения, созданные во время обучения, и сохранять историю изменений моделей в ходе обучения. Эту возможность используют для визуального отслеживания изменений в выходных данных модели по мере прохождения обучения.

• Параметры модели можно сохранить на диск и загрузить обратно, чтобы воссоздать ранее сохраненную модель. Точная реализация модели при этом может даже быть другой, если параметры старой и новой модели в точности соответствуют друг другу.

Комментировать