dlwpt code
1.0.0
Этот репозиторий содержит код для книги «Глубокое обучение с PyTorch» Эли Стивенса, Луки Антиги и Томаса Виманна, опубликованной Manning Publications.
Сайт книги Мэннинга: https://www.manning.com/books/deep-learning-with-pytorch.
Книгу также можно приобрести на Amazon: https://amzn.to/38Iwrff (партнерская ссылка; согласно правилам: «Как сотрудник Amazon я зарабатываю на соответствующих покупках»).
Ошибки в книге можно найти на веб-сайте Manning или по адресу https://deep-learning-with-pytorch.github.io/dlwpt-code/errata.html.
Цель этой книги — предоставить основы глубокого обучения с помощью PyTorch и показать их в действии в реальном проекте. Мы стремимся предоставить ключевые концепции, лежащие в основе глубокого обучения, и показать, как PyTorch передает их в руки практикующих специалистов. В книге мы пытаемся дать интуицию, которая будет способствовать дальнейшему исследованию, и при этом выборочно углубляемся в детали, чтобы показать, что происходит за кулисами. Глубокое обучение с PyTorch не претендует на роль справочника; скорее, это концептуальный компаньон, который позволит вам самостоятельно изучать более сложные материалы в Интернете. Таким образом, мы сосредоточимся на подмножестве функций, предлагаемых PyTorch. Наиболее заметным отсутствием являются рекуррентные нейронные сети, но то же самое справедливо и для других частей API PyTorch.
Эта книга предназначена для разработчиков, которые являются или стремятся стать практиками глубокого обучения и хотят познакомиться с PyTorch. Мы представляем себе, что наш типичный читатель — ученый-компьютерщик, специалист по данным, инженер-программист или студент бакалавриата, изучающий соответствующую программу. Поскольку мы не предполагаем предварительных знаний в области глубокого обучения, некоторые части первой половины книги могут представлять собой повторение концепций, уже известных опытным практикам. Мы надеемся, что для этих читателей изложение представит несколько иной взгляд на известные темы. Мы ожидаем, что читатели обладают базовыми знаниями в области императивного и объектно-ориентированного программирования. Поскольку в книге используется Python, вы должны быть знакомы с его синтаксисом и операционной средой. Обязательным условием является знание того, как устанавливать пакеты Python и запускать сценарии на выбранной вами платформе. Читателям, знакомым с C++, Java, JavaScript, Ruby и другими подобными языками, будет легко освоить эту тему, но им придется немного наверстать упущенное за пределами этой книги. Аналогично, знакомство с NumPy будет полезно, хотя и не является строго обязательным. Мы также ожидаем знакомства с некоторыми базовыми принципами линейной алгебры, например, знания того, что такое матрицы и векторы и что такое скалярное произведение.
Эли Стивенс провел большую часть своей карьеры, работая в стартапах в Кремниевой долине, занимая самые разные должности: от инженера-программиста (создание корпоративных сетевых устройств) до технического директора (разработка программного обеспечения для радиационной онкологии). На момент публикации он работает над машинным обучением в индустрии беспилотных автомобилей.
Лука Антига работал исследователем в области биомедицинской инженерии в 2000-х годах, а последнее десятилетие проработал соучредителем и техническим директором компании по разработке искусственного интеллекта. Он участвовал в нескольких проектах с открытым исходным кодом, включая ядро PyTorch. Недавно он стал соучредителем американского стартапа, специализирующегося на инфраструктуре для программного обеспечения, определяемого данными.
Томас Виманн — специалист и консультант по машинному обучению и PyTorch из Мюнхена, Германия, а также основной разработчик PyTorch. Имея докторскую степень по математике, он не боится теории, но очень практичен в ее применении к вычислительным задачам.
