کتاب PyTorch Pocket Reference: Building and Deploying Deep Learning Models

وضعیت موجودی موجود

مقایسه شود

قیمت قبلی: 3,900,000 ریال

قیمت: 3,500,000 ریال

Product details

Publisher ‏ : ‎ O'Reilly Media; 1st edition (June 1, 2021)
Language ‏ : ‎ English
Paperback ‏ : ‎ 310 pages
ISBN-10 ‏ : ‎ 149209000X
ISBN-13 ‏ : ‎ 978-1492090007

Available at a lower price from other sellers that may not offer free Prime shipping.

This concise, easy-to-use reference puts one of the most popular frameworks for deep learning research and development at your fingertips. Author Joe Papa provides instant access to syntax, design patterns, and code examples to accelerate your development and reduce the time you spend searching for answers.

Research scientists, machine learning engineers, and software developers will find clear, structured PyTorch code that covers every step of neural network development-from loading data to customizing training loops to model optimization and GPU/TPU acceleration. Quickly learn how to deploy your code to production using AWS, Google Cloud, or Azure and deploy your ML models to mobile and edge devices.

Learn basic PyTorch syntax and design patterns
Create custom models and data transforms
Train and deploy models using a GPU and TPU
Train and test a deep learning classifier
Accelerate training using optimization and distributed training
Access useful PyTorch libraries and the PyTorch ecosystem

منابع کتاب کتاب PyTorch Pocket Reference: Building and Deploying Deep Learning Models

در دسترس قیمت پایین تر از سایر فروشندگان است که ممکن است نخستین حمل و نقل رایگان را ارائه ندهند.

این مرجع مختصر، آسان برای استفاده، یکی از محبوب ترین چارچوب های تحقیق و توسعه عمیق را در نوک انگشتان خود قرار می دهد. نویسنده Joe Papa دسترسی سریع به نحو، الگوهای طراحی و نمونه های کد را برای سرعت بخشیدن به توسعه خود و کاهش زمان صرف جستجو برای پاسخ ها فراهم می کند.

دانشمندان تحقیقاتی، مهندسان یادگیری ماشین، و توسعه دهندگان نرم افزاری، کد Pytorch روشن و ساختار یافته را پیدا خواهند کرد که هر مرحله از توسعه شبکه های عصبی را پوشش می دهد - از بارگیری داده ها برای سفارشی کردن حلقه های آموزشی برای مدل سازی بهینه سازی و شتاب GPU / TPU. به سرعت یاد بگیرید چگونه کد خود را به تولید با استفاده از AWS، Google Cloud یا Azure اعزام کنید و مدل های ML خود را به دستگاه های تلفن همراه و لبه بفرستید.

یادگیری نحو پایه Pytorch و الگوهای طراحی

ایجاد مدل های سفارشی و تبدیل داده ها

قطار و راه اندازی مدل ها با استفاده از GPU و TPU

قطار و تست طبقه بندی یادگیری عمیق

سرعت بخشیدن به آموزش با استفاده از بهینه سازی و آموزش توزیع

دسترسی به کتابخانه های مفید Pytorch و اکوسیستم Pytorch