dlwpt code
1.0.0
Dieses Repository enthält Code für das Buch Deep Learning with PyTorch von Eli Stevens, Luca Antiga und Thomas Viehmann, veröffentlicht von Manning Publications.
Die Manning-Website für das Buch ist: https://www.manning.com/books/deep-learning-with-pytorch
Das Buch kann auch bei Amazon gekauft werden: https://amzn.to/38Iwrff (Affiliate-Link; gemäß den Regeln: „Als Amazon-Partner verdiene ich an qualifizierten Käufen.“)
Die Errata für das Buch finden Sie auf der Manning-Website oder unter https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html
Ziel dieses Buches ist es, die Grundlagen des Deep Learning mit PyTorch zu vermitteln und sie in einem realen Projekt in der Praxis zu zeigen. Wir sind bestrebt, die Schlüsselkonzepte bereitzustellen, die Deep Learning zugrunde liegen, und zu zeigen, wie PyTorch sie in die Hände von Praktikern legt. In dem Buch versuchen wir, eine Intuition zu vermitteln, die die weitere Erkundung unterstützt, und gehen dabei gezielt auf Details ein, um zu zeigen, was sich hinter den Kulissen abspielt. Deep Learning mit PyTorch soll kein Nachschlagewerk sein; Vielmehr handelt es sich um einen konzeptionellen Begleiter, der es Ihnen ermöglicht, fortgeschritteneres Material unabhängig online zu erkunden. Daher konzentrieren wir uns auf eine Teilmenge der von PyTorch angebotenen Funktionen. Das auffälligste Fehlen sind wiederkehrende neuronale Netze, aber das Gleiche gilt auch für andere Teile der PyTorch-API.
Dieses Buch richtet sich an Entwickler, die Deep-Learning-Praktiker sind oder werden möchten und sich mit PyTorch vertraut machen möchten. Wir stellen uns vor, dass unser typischer Leser ein Informatiker, Datenwissenschaftler oder Software-Ingenieur oder ein Bachelor- oder späterer Student in einem verwandten Programm ist. Da wir keine Vorkenntnisse im Bereich Deep Learning voraussetzen, kann es sein, dass einige Teile in der ersten Hälfte des Buches Konzepte wiederholen, die erfahrenen Praktikern bereits bekannt sind. Wir hoffen, dass die Ausstellung diesen Lesern einen etwas anderen Blickwinkel auf bekannte Themen bietet. Wir erwarten von den Lesern Grundkenntnisse in imperativer und objektorientierter Programmierung. Da das Buch Python verwendet, sollten Sie mit der Syntax und der Betriebsumgebung vertraut sein. Voraussetzung ist, dass Sie wissen, wie Sie Python-Pakete installieren und Skripte auf der Plattform Ihrer Wahl ausführen. Leser, die sich mit C++, Java, JavaScript, Ruby oder anderen Sprachen dieser Art beschäftigen, dürften es leicht haben, es zu erlernen, müssen aber außerhalb dieses Buches etwas Nachholbedarf haben. Ebenso ist es hilfreich, mit NumPy vertraut zu sein, wenn dies nicht unbedingt erforderlich ist. Wir erwarten auch Vertrautheit mit einigen grundlegenden linearen Algebra, wie zum Beispiel zu wissen, was Matrizen und Vektoren sind und was ein Skalarprodukt ist.
Eli Stevens hat den Großteil seiner Karriere bei Start-ups im Silicon Valley verbracht, wobei die Rollen vom Softwareentwickler (Herstellung von Geräten für Unternehmensnetzwerke) bis zum CTO (Entwicklung von Software für die Radioonkologie) reichten. Bei der Veröffentlichung beschäftigt er sich mit maschinellem Lernen in der Branche selbstfahrender Autos.
Luca Antiga arbeitete in den 2000er Jahren als Forscher im Bereich Biomedizintechnik und verbrachte das letzte Jahrzehnt als Mitbegründer und CTO eines KI-Ingenieurunternehmens. Er hat zu mehreren Open-Source-Projekten beigetragen, darunter zum PyTorch-Kern. Kürzlich war er Mitbegründer eines in den USA ansässigen Startups, das sich auf die Infrastruktur für datendefinierte Software konzentriert.
Thomas Viehmann ist ein in München ansässiger Spezialtrainer und Berater für maschinelles Lernen und PyTorch sowie ein PyTorch-Kernentwickler. Als promovierter Mathematiker hat er keine Angst vor der Theorie, ist aber durchaus praktisch, wenn es darum geht, sie auf Computerherausforderungen anzuwenden.
