دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch
دانلود کتاب یادگیری عمیق با PyTorch: یک رویکرد عملی برای ساخت مدل های شبکه عصبی با استفاده از PyTorch
مشخصات کتاب
Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch
ویرایش:
نویسندگان: Vishnu Subramanian
سری:
ISBN (شابک) : 1788624335, 9781788624336
ناشر: Packt Publishing
سال نشر: 2018
تعداد صفحات: 0
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 مگابایت
قیمت کتاب (تومان) : 32,000
در صورت تبدیل فایل کتاب Deep Learning with PyTorch: A practical approach to building neural network models using PyTorch به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری عمیق با PyTorch: یک رویکرد عملی برای ساخت مدل های شبکه عصبی با استفاده از PyTorch نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری عمیق با PyTorch: یک رویکرد عملی برای ساخت مدل های شبکه عصبی با استفاده از PyTorch
ساخت مدل‌های شبکه عصبی در متن، دید و تجزیه و تحلیل پیشرفته با استفاده از PyTorch
ویژگی‌های کلیدی
- آموزش PyTorch برای پیاده‌سازی عمیق پیشرفته الگوریتم‌های یادگیری.
- شبکه‌های عصبی خود را برای سرعت و انعطاف‌پذیری بالاتر آموزش دهید و نحوه پیاده‌سازی آنها را در سناریوهای مختلف بیاموزید؛
- معماری‌های پیشرفته شبکه عصبی مانند ResNet، Inception، DenseNet و بیشتر با مثال‌های عملی؛
توضیحات کتاب
یادگیری عمیق هوشمندترین سیستم‌های جهان مانند Google Voice، Siri و Alexa را تقویت می‌کند. پیشرفت‌ها در سخت‌افزار قدرتمند، مانند پردازنده‌های گرافیکی، چارچوب‌های نرم‌افزاری مانند PyTorch، Keras، Tensorflow و CNTK به همراه در دسترس بودن داده‌های بزرگ، پیاده‌سازی راه‌حل‌های مشکلات در زمینه‌های متن، دید و تجزیه و تحلیل پیشرفته را آسان‌تر کرده است. /p>
این کتاب شما را با یکی از پیشرفته ترین کتابخانه های یادگیری عمیق یعنی PyTorch راه اندازی می کند. PyTorch به دلیل دسترسی، کارایی و بومی بودن بیشتر در راه توسعه پایتون، توجه محققان یادگیری عمیق و متخصصان علوم داده را به خود جلب کرده است. شما با نصب PyTorch شروع می‌کنید، سپس به سرعت به یادگیری بلوک‌های اساسی مختلف می‌پردازید که یادگیری عمیق مدرن را تقویت می‌کنند. همچنین یاد خواهید گرفت که چگونه از شبکه های CNN، RNN، LSTM و دیگر شبکه ها برای حل مشکلات دنیای واقعی استفاده کنید. این کتاب مفاهیم مختلف معماری های پیشرفته یادگیری عمیق مانند ResNet، DenseNet، Inception و Seq2Seq را بدون غواصی عمیق در ریاضیات پشت سر آنها توضیح می دهد. همچنین در طول دوره کتاب با محاسبات GPU آشنا خواهید شد. نحوه آموزش یک مدل با PyTorch و فرو رفتن در شبکه های عصبی پیچیده مانند شبکه های مولد برای تولید متن و تصاویر را خواهید دید.
در پایان کتاب، می‌توانید به راحتی برنامه‌های یادگیری عمیق را در PyTorch پیاده‌سازی کنید.
آنچه خواهید آموخت
- استفاده از PyTorch برای محاسبات تانسور تسریع شده توسط GPU
- ساخت مجموعه داده های سفارشی و بارگذارهای داده برای تصاویر و آزمایش مدل ها با استفاده از مشعل و متن مشعل
- با پیاده سازی معماری های CNN با استفاده از PyTorch، یک طبقه بندی کننده تصویر بسازید. li>
- سامانه‌هایی بسازید که طبقه‌بندی متن و مدل‌سازی زبان را با استفاده از RNN، LSTM و GRU انجام می‌دهند
- معماری‌های پیشرفته CNN مانند ResNet، Inception، Densenet را بیاموزید و نحوه استفاده از آنها را برای یادگیری انتقال یاد بگیرید< /li>
- یاد بگیرید چگونه چندین مدل را برای یک مدل گروهی قدرتمند ترکیب کنید
- تصاویر جدید با استفاده از GAN ایجاد کنید و تصاویر هنری با استفاده از انتقال سبک تولید کنید
Who This Book Is For
این کتاب برای مهندسین یادگیری ماشین، تحلیلگران داده، دانشمندان داده است که علاقه مند به یادگیری عمیق هستند و به دنبال کاوش در پیاده سازی الگوریتم های پیشرفته در PyTorch هستند. برخی از دانش یادگیری ماشین مفید است اما نیازی اجباری نیست. دانش کاری برنامه نویسی پایتون انتظار می رود.
فهرست مطالب
- شروع به کار با Pytorch برای یادگیری عمیق
- بلوک های سازنده ریاضی شبکه های عصبی</ li>
- شروع با شبکه های عصبی
- مبانی یادگیری ماشین
- یادگیری عمیق برای بینایی کامپیوتر
- پردازش زبان طبیعی برای PyTorch < li>معماری های شبکه عصبی پیشرفته
- شبکه های مولد
- نتیجه گیری
توضیحاتی درمورد کتاب به خارجی
Build neural network models in text, vision and advanced analytics using PyTorch
Key Features
- Learn PyTorch for implementing cutting-edge deep learning algorithms.
- Train your neural networks for higher speed and flexibility and learn how to implement them in various scenarios;
- Cover various advanced neural network architecture such as ResNet, Inception, DenseNet and more with practical examples;
Book Description
Deep learning powers the most intelligent systems in the world, such as Google Voice, Siri, and Alexa. Advancements in powerful hardware, such as GPUs, software frameworks such as PyTorch, Keras, Tensorflow, and CNTK along with the availability of big data have made it easier to implement solutions to problems in the areas of text, vision, and advanced analytics.
This book will get you up and running with one of the most cutting-edge deep learning libraries―PyTorch. PyTorch is grabbing the attention of deep learning researchers and data science professionals due to its accessibility, efficiency and being more native to Python way of development. You'll start off by installing PyTorch, then quickly move on to learn various fundamental blocks that power modern deep learning. You will also learn how to use CNN, RNN, LSTM and other networks to solve real-world problems. This book explains the concepts of various state-of-the-art deep learning architectures, such as ResNet, DenseNet, Inception, and Seq2Seq, without diving deep into the math behind them. You will also learn about GPU computing during the course of the book. You will see how to train a model with PyTorch and dive into complex neural networks such as generative networks for producing text and images.
By the end of the book, you'll be able to implement deep learning applications in PyTorch with ease.
What you will learn
- Use PyTorch for GPU-accelerated tensor computations
- Build custom datasets and data loaders for images and test the models using torchvision and torchtext
- Build an image classifier by implementing CNN architectures using PyTorch
- Build systems that do text classification and language modeling using RNN, LSTM, and GRU
- Learn advanced CNN architectures such as ResNet, Inception, Densenet, and learn how to use them for transfer learning
- Learn how to mix multiple models for a powerful ensemble model
- Generate new images using GAN's and generate artistic images using style transfer
Who This Book Is For
This book is for machine learning engineers, data analysts, data scientists interested in deep learning and are looking to explore implementing advanced algorithms in PyTorch. Some knowledge of machine learning is helpful but not a mandatory need. Working knowledge of Python programming is expected.
Table of Contents
- Getting Started with Pytorch for Deep Learning
- Mathematical building blocks of Neural Networks
- Getting Started with Neural Networks
- Fundamentals of Machine Learning
- Deep Learning for Computer Vision
- Natural Language Processing for PyTorch
- Advanced neural network architectures
- Generative networks
- Conclusion
فهرست مطالب
Getting Started with Deep Learning Using PyTorch --
Building Blocks of Neural Networks --
Diving Deep into Neural Networks --
Fundamentals of Machine Learning --
Deep Learning for Computer Vision --
Deep Learning with Sequence Data and Text --
Generative Networks --
Modern Network Architectures --
What Next?
نظرات کاربران
کتاب های تصادفی
دانلود کتاب A Person-Centered Approach to Psychospiritual Maturation : Mentoring Psychological Resilience and Inclusive Community in Higher Education
دانلود کتاب The End of the Poem
دانلود کتاب : Census
دانلود کتاب Fitstickz - Healthy Doodles & Serious Effective Home : No Equipment Abs & Core At Home Workouts
