X
feed icon rss

Your email was sent successfully. Check your inbox.

An error occurred while sending the email. Please try again.

Proceed reservation?

Export
Filter
  • 1
    Online Resource
    Online Resource
    PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle (2021)
    Heidelberg : o'Reilly
    Details
    UID:
    kobvindex_ERBEBC6826689
    Format: 1 online resource (238 pages)
    ISBN: 9783960106005
    Series Statement: Animals
    Note: Intro -- Inhalt -- Kapitel 1: Eine Einführung in PyTorch -- Was ist PyTorch? -- Warum PyTorch verwenden? -- Erste Schritte -- Ausführen in Google Colaboratory -- Ausführen auf einem lokalen Computer -- Ausführen auf Cloud-Plattformen -- Die PyTorch-Umgebung überprüfen -- Ein unterhaltsames Beispiel -- Kapitel 2: Tensoren -- Was ist ein Tensor? -- Ein einfaches CPU-Beispiel -- Ein einfaches GPU-Beispiel -- Tensoren zwischen CPUs und GPUs verschieben -- Tensoren erstellen -- Tensorattribute -- Datentypen -- Tensoren aus zufälligen Stichproben erstellen -- Tensoren wie andere Tensoren erstellen -- Tensoroperationen -- Tensoren indizieren, slicen, kombinieren und aufteilen -- Tensoroperationen für die Mathematik -- Automatische Differentiation (Autograd) -- Kapitel 3: Deep-Learning-Entwicklung mit PyTorch -- Der Gesamtprozess -- Datenvorbereitung -- Laden von Daten -- Datentransformationen -- Daten auf Stapel verteilen -- Allgemeine Datenvorbereitung (torch.utils.data) -- Modellentwicklung -- Modellentwurf -- Training -- Validierung -- Testen -- Modellbereitstellung (Deployment) -- Modelle speichern -- In PyTorch Hub bereitstellen -- In der Produktion bereitstellen -- Kapitel 4: Referenzentwürfe für die Entwicklung neuronaler Netze -- Bildklassifizierung mit Transfer Learning -- Datenverarbeitung -- Modellentwurf -- Training und Validierung -- Testen und bereitstellen -- Stimmungsanalyse mit Torchtext -- Datenverarbeitung -- Modellentwurf -- Training und Validierung -- Testen und bereitstellen -- Generatives Lernen - Fashion-MNIST-Bilder mit DCGAN generieren -- Datenverarbeitung -- Modellentwurf -- Training -- Testen und bereitstellen -- Kapitel 5: PyTorch anpassen -- Benutzerdefinierte Schichten und Aktivierungsfunktionen -- Beispiel für eine benutzerdefinierte Schicht (ComplexLinear) , Beispiel für eine benutzerdefinierte Aktivierungsfunktion (ComplexReLU) -- Benutzerdefinierte Modellarchitekturen -- Benutzerdefinierte Verlustfunktionen -- Benutzerdefinierte Algorithmen für Optimierer -- Benutzerdefinierte Trainings-, Validierungs- und Testschleifen -- Kapitel 6: PyTorch beschleunigen und optimieren -- PyTorch auf einer TPU -- PyTorch auf mehreren GPUs (Einzelcomputer) -- Datenparallelverarbeitung -- Modellparallelverarbeitung -- Kombinierte Daten- und Modellparallelverarbeitung -- Verteiltes Training (mehrere Computer) -- Modelloptimierung -- Hyperparameter-Tuning -- Quantisierung -- Pruning -- Kapitel 7: PyTorch in die Produktion überführen -- Tools und Bibliotheken für die PyTorch-Bereitstellung -- Gemeinsames Beispielmodell -- Python-API -- TorchScript -- TorchServe -- TorchServe und das Modellarchivierungstool installieren -- TorchServe starten -- ONNX -- Mobile Bibliotheken -- Eine Flask-App bereitstellen -- Colab-Flask-App -- Bereitstellen in der Cloud mit TorchServe -- Schneller Start mit Docker -- Bereitstellen auf mobilen und Edge-Geräten -- iOS -- Android -- Andere Edge-Geräte -- Kapitel 8: Das PyTorch-Ökosystem und zusätzliche Ressourcen -- Das PyTorch-Ökosystem -- Torchvision für Bild- und Videodaten -- Datensätze und Ein-/Ausgabe -- Modelle -- Transformationen, Operationen und Utilitys -- Torchtext für NLP -- Ein Datensatzobjekt erstellen -- Daten vorverarbeiten -- Einen Datenlader für die Stapelverarbeitung erstellen -- Daten (torchtext.data) -- Datensätze (torchtext.datasets) -- Vokabulare (torchtext.vocab) -- TensorBoard für die Visualisierung -- Lernkurven mit SCALARS -- Modellarchitekturen mit GRAPHS -- Daten mit IMAGES, TEXT und PROJECTOR -- Gewichtsverteilungen mit DISTRIBUTIONS und HISTOGRAMS -- Hyperparameter mit HPARAMS -- Die TensorBoard-API -- Papers with Code -- Zusätzliche PyTorch-Ressourcen -- Tutorials , Bücher -- Onlinekurse und Live-Schulungen -- Index
    Additional Edition: Print version: Papa, Joe PyTorch kompakt Heidelberg : o'Reilly,c2021 ISBN 9783960091851
    Keywords: Electronic books.
    URL: https://ebookcentral.proquest.com/lib/th-brandenburg/detail.action?docID=6826689
    URL: https://static.onleihe.de/content/bookwire_nat/20220105/9783960106005/v9783960106005.pdf
    URL: https://static.onleihe.de/images/bookwire_nat/20220105/9783960106005/tn9783960106005l.jpg
    URL: https://voebb.onleihe.de/berlin/frontend/mediaInfo,51-0-1697135089-100-0-0-0-0-0-0-0.html
    Library Location Call Number Volume/Issue/Year Availability
    BibTip Others were also interested in ...
    Online Resource
    Berlin VÖBB/ZLB
    TH Brandenburg
  • 2
    Book
    Book
    PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle (2022)
    Heidelberg :O'Reilly,
    Details
    UID:
    almahu_BV047633184
    Format: 235 Seiten : , Illustrationen, Diagramme ; , 24 cm x 16.5 cm.
    Edition: 1. Auflage
    ISBN: 978-3-96009-185-1
    Uniform Title: PyTorch pocket reference
    Additional Edition: Parallele Sprachausgabe
    Additional Edition: Erscheint auch als Online-Ausgabe, PDF ISBN 978-3-96010-600-5
    Additional Edition: Erscheint auch als Online-Ausgabe, EPUB ISBN 978-3-96010-601-2
    Additional Edition: Erscheint auch als Online-Ausgabe, MOBI ISBN 978-3-96010-602-9
    Language: German
    Subjects: Computer Science
    RVK:
    ST 302
    RVK:
    ST 300
    RVK:
    ST 250
    Keywords: Maschinelles Lernen ; Deep learning ; PyTorch ; Künstliche Intelligenz ; PyTorch
    URL: http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA
    URL: http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA
    URL: http://deposit.dnb.de/cgi-bin/dokserv?id=2ea825970732421292d374a1237f013f&prov=M&dok_var=1&dok_ext=htm
    URL: https://d-nb.info/1241130442/04
    Author information: Langenau, Frank.
    Library Location Call Number Volume/Issue/Year Availability
    BibTip Others were also interested in ...
    Book
    HU Berlin get availability status
    Berlin VÖBB/ZLB get availability status
  • 3
    Online Resource
    Online Resource
    PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle (2021)
    Heidelberg : O'Reilly Verlag
    Details
    UID:
    almahu_9949379879102882
    ISBN: 9783960106005
    Series Statement: Animals
    Content: Long description: Eine großartige Ressource für alle, die mit PyTorch arbeiten Kurzgefasstes und präzises Wissen zu dem populären Deep-Learning-Framework Sowohl für PyTorch-Einsteiger:innen als auch für Fortgeschrittene nützlich Überblick über Modellentwicklung, Deployment, das PyTorch-Ökosystem und über hilfreiche PyTorch-Bibliotheken Mit Kurzeinstieg in PyTorch Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen.
    Content: Biographical note: Joe Papa verfügt über 25 Jahre Erfahrung in Forschung und Entwicklung und ist Gründer von TeachMe.AI. Seinen Abschluss "Master of Science in Electrical Engineering" hat er an der Universität Rutgers erworben. Bei Booz Allen Hamilton und Perspecta Labs hat er KI-Forschungsteams mit PyTorch geleitet. Joe hat Hunderte von Datenwissenschaftlern als Mentor betreut und mehr als 6.000 Studenten auf der ganzen Welt auf Udemy unterrichtet.
    Additional Edition: ISBN 9783960091851
    Language: German
    URL: http://www.content-select.com/index.php?id=bib_view&ean=9783960106005
    Library Location Call Number Volume/Issue/Year Availability
    BibTip Others were also interested in ...
    Online Resource
    HU Berlin
  • 4
    Online Resource
    Online Resource
    PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle. (2021)
    Heidelberg :O'Reilly Verlag,
    Details
    UID:
    edoccha_9961129139402883
    Format: Online-Ressource (238 Seiten).
    ISBN: 9783960106005
    Series Statement: Animals
    Additional Edition: ISBN 9783960091851
    Language: German
    URL: Volltext
    Library Location Call Number Volume/Issue/Year Availability
    BibTip Others were also interested in ...
    Online Resource
    Online Access
    Charité
  • 5
    Online Resource
    Online Resource
    PyTorch kompakt : Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle (2022)
    Heidelberg : O'Reilly
    Details
    UID:
    gbv_1767311974
    Format: 1 Online-Ressource (235 Seiten)
    Edition: 1. Auflage
    ISBN: 9783960106005 , 9783960106012 , 9783960106029
    Series Statement: Animals
    Uniform Title: PyTorch pocket reference
    Content: Eine großartige Ressource für alle, die mit PyTorch arbeiten Kurzgefasstes und präzises Wissen zu dem populären Deep-Learning-Framework Sowohl für PyTorch-Einsteiger:innen als auch für Fortgeschrittene nützlich Überblick über Modellentwicklung, Deployment, das PyTorch-Ökosystem und über hilfreiche PyTorch-Bibliotheken Mit Kurzeinstieg in PyTorch Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen.
    Additional Edition: ISBN 9783960091851
    Additional Edition: Erscheint auch als Druckausgabe Papa, Joe PyTorch kompakt Heidelberg : O'Reilly, 2022 ISBN 9783960091851
    Additional Edition: ISBN 3960091850
    Language: German
    Subjects: Computer Science
    RVK:
    ST 300
    Keywords: Maschinelles Lernen ; Deep learning ; PyTorch ; Künstliche Intelligenz ; Beispielsammlung
    URL: lizenzpflichtig
    URL: lizenzpflichtig
    URL: lizenzpflichtig
    URL: lizenzpflichtig
    URL: Cover
    Author information: Langenau, Frank
    Library Location Call Number Volume/Issue/Year Availability
    BibTip Others were also interested in ...
    Online Resource
    UB Potsdam
Nothing or not found what you are looking for? Please check your search query or use the Interlibrary Loan Search.
Did you mean 9783960100805?
Did you mean 9783960103004?
Did you mean 9783060106035?
Close ⊗
This website uses cookies and the analysis tool Matomo. Further information can be found on the KOBV privacy pages