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