作者：【印】库纳尔·萨瓦卡 著
页数：252
出版社：北京理工大学出版社
出版日期：2023
ISBN：9787576323764
高清校对版pdf（带目录）
前往页尾底部查看PDF电子书
内容简介
提供基于PyTorch Lightning的深度学习模型实践方法，让读者能够快速上手实践。2、适用于对深度学习感兴趣但不知道从何处开始学习的读者，帮助他们快速入门并构建自己的模型。
3、强调灵活性，读者可以根据特定需求对模型进行扩展和定制。
4、涵盖了时间序列、生成式模型、半监督学习等多个应用领域，使读者可以探索不同的深度学习任务。
5、提供模型部署和评估的指导，帮助读者将模型应用于实际场景并进行性能评估。
6、讨论了规模化和管理训练的方法，帮助读者处理大规模数据和复杂模型的训练过程。
7、强调深度学习在各行各业的重要作用，使读者了解深度学习在不同领域的应用。
8、使用PyTorch作为基础框架，提供了广泛的资源和社区支持，使读者能够更好地探索和应用深度学习技术。9、通过案例的方式展示实际应用，帮助读者理解如何将PyTorch Lightning模型应用于实际问题，并获得实践经验。
作者简介
库纳尔·萨瓦卡 ( Ｋｕｎａｌ Ｓａｗａｒｋａｒ)，是 一 位 首 席 数 据 科 学 家 和 人 工 智 能 ( Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ， ＡＩ) 思想的先驱人物。 他目前领导全球合作伙伴生态系统， 旨在开发创新性的人工智 能产品。 他是咨询委员会成员和天使投资人。 他拥有哈佛大学的硕士学位， 主修应用统计学。 他一 直致力于应用机器学习 ［特别是深度学习 ( Ｄｅｅｐ Ｌｅａｒｎｉｎｇ， ＤＬ) ］ 来解决行业中以前悬而未决的 问题。 他在该领域拥有 ２０ 多项专利， 并撰写了大量的相关论文。 他是人工智能产品研发实验室的主 要负责人。
迪拉杰·阿雷姆塞蒂 (Ｄｈｅｅｒａｊ Ａｒｒｅｍｓｅｔｔｙ)，在数据科学和架构设计以及将概念转化为可行的 业务解决方案， 乃至为全球公司实施前沿技术解决方案等诸多方面拥有多年的行业经验。 在利用大 数据、 深度学习和实时体系结构来构建高度可扩展的端到端数据科学平台和技术方面， 其能力受到 广泛的认可。
本书特色
1、使用PyTorch Lightning构建深度学习模型，简化样板代码，提高生产力。
2、适合深度学习初学者和有实践需求的数据科学研究者
3、涵盖时间序列模型、深度生成式模型、半监督学习等内容
4、强调实践指导和案例，包括模型构建、部署应用等。
5、作者是资深数据科学家，读者可从其经验中受益
目录
以及它与 ＰｙＴｏｒｃｈ 的区别。 该章将介绍 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 的模块结构， 以及如何使用 ＰｙＴｏｒｃｈ
Ｌｉｇｈｔｎｉｎｇ 减少用户在工程设计中的工作量， 帮助用户将主要的精力投入建模， 从而使研究更加
可行。
第 ２ 章 “深入研究第一个深度学习模型” 主要讨论如何开始使用 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 对模型进行
构建。 作为示例， 该章将建立多个模型： 从多层感知器 ( Ｍｕｌｔｉｌａｙｅｒ Ｐｅｒｃｅｐｔｒｏｎ， ＭＬＰ) 到图像识
别模型 (ＣＮＮ) 。
第 ３ 章 “使用预训练的模型进行迁移学习” 主要讨论如何对使用预训练体系结构构建的模型进
行定制， 以适应不同的数据集、 优化器以及 “训练—验证—测试” 拆分步骤。 该章将向读者介绍使
用 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 进行模型定制的基本步骤。
第 ４ 章 “Ｂｏｌｔｓ 中的现成模型” 主要讨论 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ Ｂｏｌｔｓ。 这是一个最先进的模型库，
基于 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 的深度学习５
其中包含了大多数现成的通用算法或框架， 从而极大地提高了数据科学家的工作效率。 该章将分享
各种 Ｂｏｌｔｓ 模型， 包括逻辑回归模型和自动编码器。
第 ５ 章 “时间序列模型” 主要讨论时间序列模型的工作原理， 以及与这些模型相应的 ＰｙＴｏｒｃｈ
实现方法。 该章将讨论一些示例的详细操作步骤， 这些示例涵盖从基本到高级的时间序列技术， 如
循环神经网络模型和长短期记忆网络模型， 以及真实世界的用例。
第 ６ 章 “深度生成式模型” 主要讨论深度学习模型中生成式网络类型的详细操作和具体实现步
骤， 如用于生成图像的生成式对抗网络。
第 ７ 章 “半监督学习” 主要讨论半监督模型的工作原理， 以及如何使用 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 实现
这些半监督模型。 该章还将详细讨论从基本到高级半监督模型的工作示例以及具体实现， 如何使用
ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 处理标签传播， 以及如何使用卷积神经网络和循环神经网络的组合来生成图像说明
文字。
第 ８ 章 “自监督学习” 主要讨论如何使用 ＰｙＴｏｒｃｈ Ｌｉｇｈｔｎｉｎｇ 实现自监督模型。 该章还将介绍对
比学习的工作示例和一些技术， 如 ＳｉｍＣＬＲ 体系结构。
第 ９ 章 “部署和评分模型” 主要讨论对深度学习模型进行本地部署的技术和方法， 以及采用类似
ＯＮＮＸ 等的互操作格式来部署深度学习模型的技术和方法。 该章还将介绍在海量数据上执行模型评分
的技术和方法。
第 １０ 章 “规模化和管理训练” 主要讨论对模型进行规模化训练及管理训练所面临的挑战。 该章将
描述一些常见的陷阱， 以及避免这些陷阱的提示和技巧。 该章还将描述如何设置实验环境， 如何使模
型训练适应底层硬件中所面临的问题， 以及如何使用硬件来提高训练的效率等。
非特殊说明，本博所有文章均为博主原创。
如若转载，请注明出处：https://www.xiazainiu.com/Wd1qk_5_4380.html
