PyTorch: The Practical Guide to Building, Training, and Deploying Deep Learning Models
PyTorch: Практическое руководство по созданию, обучению и внедрению моделей глубокого обучения.
Год издания: 2026
Автор: Gollnick Bert / Голник Берт
Язык: Английский
Формат: PDF
Интерактивное оглавление
Количество страниц: 419
Описание: PyTorch is the framework for deep learning—so dive on in! Learn how to train, optimize, and deploy AI models with PyTorch by following practical exercises and example code. You’ll walk through using PyTorch for linear regression, classification, image processing, recommendation systems, autoencoders, graph neural networks, time series predictions, and language models—all the essentials. Then evaluate and deploy your models using key tools like MLflow, TensorBoard, and FastAPI. With information on fine-tuning your models using HuggingFace and reducing training time with PyTorch Lightning, this practical guide is the one you need!
Train, tune, and deploy deep learning models with PyTorch
Implement models for linear regression, classification, computer vision, recommendation systems, and more
Work with PyTorch Lightning, TensorBoard, LangChain, and FastAPI
Theory
Get a thorough grounding in the concepts behind your models. Whether you’re looking to understand how a confusion matrix or ROC curve helps you evaluate a classification model or you want to grasp how recommendation system algorithms function, this guide has got you covered.
Practice
Move beyond theory with hands-on exercises and code. Create datasets for your linear regression models, use diffusion to create realistic images from noise, process sequential data with recurrent neural networks, and more.
Deployment and Evaluation
Monitor your training process, visualize metrics, and evaluate models with tools like MLflow and TensorBoard. Deploy models on-premise with FastAPI or in the cloud with Heroku.
PyTorch — это платформа для глубокого обучения, так что погружайтесь в нее с головой! Узнайте, как обучать, оптимизировать и развертывать модели искусственного интеллекта с помощью PyTorch, выполнив практические упражнения и приведя примеры кода. Вы познакомитесь с использованием PyTorch для линейной регрессии, классификации, обработки изображений, систем рекомендаций, автоэнкодеров, графических нейронных сетей, прогнозирования временных рядов и языковых моделей — всего самого необходимого. Затем оцените и разверните свои модели с помощью таких ключевых инструментов, как MLflow, TensorBoard и FastAPI. Это практическое руководство, содержащее информацию о тонкой настройке ваших моделей с помощью HuggingFace и сокращении времени обучения с помощью PyTorch Lightning, - именно то, что вам нужно!
Обучайте, настраивайте и внедряйте модели глубокого обучения с помощью PyTorch
Внедряйте модели для линейной регрессии, классификации, компьютерного зрения, рекомендательных систем и многого другого
Работайте с PyTorch Lightning, TensorBoard, LangChain и FastAPI
Теория
Получите полное представление о концепциях, лежащих в основе ваших моделей. Независимо от того, хотите ли вы понять, как матрица путаницы или ROC-кривая помогают вам оценить классификационную модель, или вы хотите понять, как работают алгоритмы рекомендательной системы, это руководство поможет вам в этом.
Практика
Выходите за рамки теории с помощью практических упражнений и кода. Создавайте наборы данных для своих моделей линейной регрессии, используйте диффузию для создания реалистичных изображений из шума, обрабатывайте последовательные данные с помощью рекуррентных нейронных сетей и многое другое.
Внедрение и оценка
Контролируйте свой учебный процесс, визуализируйте показатели и оценивайте модели с помощью таких инструментов, как MLflow и TensorBoard. Развертывайте модели локально с помощью FastAPI или в облаке с помощью Heroku.
PyTorch: Практическое руководство по созданию, обучению и внедрению моделей глубокого обучения.
Год издания: 2026
Автор: Gollnick Bert / Голник Берт
Язык: Английский
Формат: PDF
Интерактивное оглавление
Количество страниц: 419
Описание: PyTorch is the framework for deep learning—so dive on in! Learn how to train, optimize, and deploy AI models with PyTorch by following practical exercises and example code. You’ll walk through using PyTorch for linear regression, classification, image processing, recommendation systems, autoencoders, graph neural networks, time series predictions, and language models—all the essentials. Then evaluate and deploy your models using key tools like MLflow, TensorBoard, and FastAPI. With information on fine-tuning your models using HuggingFace and reducing training time with PyTorch Lightning, this practical guide is the one you need!
Train, tune, and deploy deep learning models with PyTorch
Implement models for linear regression, classification, computer vision, recommendation systems, and more
Work with PyTorch Lightning, TensorBoard, LangChain, and FastAPI
Theory
Get a thorough grounding in the concepts behind your models. Whether you’re looking to understand how a confusion matrix or ROC curve helps you evaluate a classification model or you want to grasp how recommendation system algorithms function, this guide has got you covered.
Practice
Move beyond theory with hands-on exercises and code. Create datasets for your linear regression models, use diffusion to create realistic images from noise, process sequential data with recurrent neural networks, and more.
Deployment and Evaluation
Monitor your training process, visualize metrics, and evaluate models with tools like MLflow and TensorBoard. Deploy models on-premise with FastAPI or in the cloud with Heroku.
PyTorch — это платформа для глубокого обучения, так что погружайтесь в нее с головой! Узнайте, как обучать, оптимизировать и развертывать модели искусственного интеллекта с помощью PyTorch, выполнив практические упражнения и приведя примеры кода. Вы познакомитесь с использованием PyTorch для линейной регрессии, классификации, обработки изображений, систем рекомендаций, автоэнкодеров, графических нейронных сетей, прогнозирования временных рядов и языковых моделей — всего самого необходимого. Затем оцените и разверните свои модели с помощью таких ключевых инструментов, как MLflow, TensorBoard и FastAPI. Это практическое руководство, содержащее информацию о тонкой настройке ваших моделей с помощью HuggingFace и сокращении времени обучения с помощью PyTorch Lightning, - именно то, что вам нужно!
Обучайте, настраивайте и внедряйте модели глубокого обучения с помощью PyTorch
Внедряйте модели для линейной регрессии, классификации, компьютерного зрения, рекомендательных систем и многого другого
Работайте с PyTorch Lightning, TensorBoard, LangChain и FastAPI
Теория
Получите полное представление о концепциях, лежащих в основе ваших моделей. Независимо от того, хотите ли вы понять, как матрица путаницы или ROC-кривая помогают вам оценить классификационную модель, или вы хотите понять, как работают алгоритмы рекомендательной системы, это руководство поможет вам в этом.
Практика
Выходите за рамки теории с помощью практических упражнений и кода. Создавайте наборы данных для своих моделей линейной регрессии, используйте диффузию для создания реалистичных изображений из шума, обрабатывайте последовательные данные с помощью рекуррентных нейронных сетей и многое другое.
Внедрение и оценка
Контролируйте свой учебный процесс, визуализируйте показатели и оценивайте модели с помощью таких инструментов, как MLflow и TensorBoard. Развертывайте модели локально с помощью FastAPI или в облаке с помощью Heroku.
Скрытое содержимое могут видеть только пользователи групп(ы): Premium, Местный, Свои
