dlwpt code
1.0.0
Ce référentiel contient le code du livre Deep Learning with PyTorch d'Eli Stevens, Luca Antiga et Thomas Viehmann, publié par Manning Publications.
Le site Manning du livre est : https://www.manning.com/books/deep-learning-with-pytorch
Le livre peut également être acheté sur Amazon : https://amzn.to/38Iwrff (lien d'affiliation ; selon les règles : "En tant qu'associé Amazon, je gagne des revenus grâce aux achats éligibles.")
Les errata du livre peuvent être trouvés sur le site Web de Manning ou sur https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html
Ce livre a pour objectif de fournir les bases du deep learning avec PyTorch et de les montrer en action dans un projet réel. Nous nous efforçons de fournir les concepts clés qui sous-tendent l'apprentissage profond et de montrer comment PyTorch les met entre les mains des praticiens. Dans le livre, nous essayons de fournir une intuition qui soutiendra une exploration plus approfondie, et ce faisant, nous approfondissons de manière sélective les détails pour montrer ce qui se passe derrière le rideau. Le Deep Learning avec PyTorch n'essaie pas d'être un ouvrage de référence ; il s'agit plutôt d'un compagnon conceptuel qui vous permettra d'explorer de manière indépendante du matériel plus avancé en ligne. En tant que tel, nous nous concentrons sur un sous-ensemble des fonctionnalités offertes par PyTorch. L'absence la plus notable concerne les réseaux de neurones récurrents, mais il en va de même pour d'autres parties de l'API PyTorch.
Ce livre est destiné aux développeurs qui sont ou visent à devenir des praticiens du deep learning et qui souhaitent se familiariser avec PyTorch. Nous imaginons que notre lecteur typique est un informaticien, un data scientist ou un ingénieur logiciel, ou un étudiant de premier cycle ou plus tard dans un programme connexe. Puisque nous ne présumons pas de connaissances préalables en apprentissage profond, certaines parties de la première moitié du livre peuvent être une répétition de concepts déjà connus des praticiens expérimentés. Pour ces lecteurs, nous espérons que l’exposition offrira un angle légèrement différent sur des sujets connus. Nous attendons des lecteurs qu'ils aient des connaissances de base en programmation impérative et orientée objet. Étant donné que le livre utilise Python, vous devez être familier avec la syntaxe et l'environnement d'exploitation. Savoir comment installer des packages Python et exécuter des scripts sur la plateforme de votre choix est une condition préalable. Les lecteurs venant de C++, Java, JavaScript, Ruby ou d'autres langages similaires devraient avoir du mal à le comprendre, mais devront faire un rattrapage en dehors de ce livre. De même, être familier avec NumPy sera utile, voire strictement obligatoire. Nous nous attendons également à être familiers avec certaines algèbre linéaires de base, comme savoir ce que sont les matrices et les vecteurs et ce qu'est un produit scalaire.
Eli Stevens a passé la majeure partie de sa carrière à travailler dans des startups de la Silicon Valley, avec des rôles allant d'ingénieur logiciel (création d'appareils de réseau d'entreprise) à CTO (développement de logiciels pour la radio-oncologie). Au moment de la publication, il travaille sur l'apprentissage automatique dans l'industrie des voitures autonomes.
Luca Antiga a travaillé comme chercheur en génie biomédical dans les années 2000 et a passé la dernière décennie en tant que cofondateur et directeur technique d'une société d'ingénierie en IA. Il a contribué à plusieurs projets open source, dont le noyau PyTorch. Il a récemment cofondé une startup basée aux États-Unis axée sur l'infrastructure des logiciels définis par les données.
Thomas Viehmann est un formateur et consultant spécialisé en apprentissage automatique et PyTorch basé à Munich, en Allemagne, et développeur principal de PyTorch. Titulaire d'un doctorat en mathématiques, il n'a pas peur de la théorie, mais il est tout à fait pratique lorsqu'il l'applique aux défis informatiques.
