Holdings: PyTorch kompakt :: THWS Bibkatalog

PyTorch kompakt: Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle

Saved in:

Bibliographic Details
Main Author:	Papa, Joe (Author)
Other Authors:	Langenau, Frank (Translator)
Format:	Book
Language:	German English
Published:	Heidelberg O'Reilly [2022]
Edition:	1. Auflage
Subjects:	Künstliche Intelligenz Deep Learning PyTorch Maschinelles Lernen Neuronale Netze Python Machine Learning Data Science Algorithmen KI AI Artificial Intelligence Unsupervised Learning Supervised Learning überwachtes Lernen Neural Networks Framework
Online Access:	Inhaltsverzeichnis Inhaltsverzeichnis
Physical Description:	235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
ISBN:	9783960091851

Staff View

MARC


LEADER	00000nam a22000008c 4500
001	BV047633184
003	DE-604
005	20220701
007	t\|
008	211209s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d
016	7		\|a 1241130442 \|2 DE-101
020			\|a 9783960091851 \|c kart. : EUR 29.90 (DE), EUR 30.80 (AT) \|9 978-3-96009-185-1
035			\|a (OCoLC)1268935900
035			\|a (DE-599)DNB1241130442
040			\|a DE-604 \|b ger \|e rda
041	1		\|a ger \|h eng
044			\|a gw \|c XA-DE-BW
049			\|a DE-860 \|a DE-739 \|a DE-1043 \|a DE-29T \|a DE-1102 \|a DE-11 \|a DE-Aug4
082	0		\|a 006.31 \|2 23/ger
082	0		\|a 005.133 \|2 23/ger
084			\|a ST 302 \|0 (DE-625)143652: \|2 rvk
084			\|a ST 300 \|0 (DE-625)143650: \|2 rvk
084			\|a ST 250 \|0 (DE-625)143626: \|2 rvk
100	1		\|a Papa, Joe \|e Verfasser \|0 (DE-588)1250286557 \|4 aut
240	1	0	\|a PyTorch pocket reference
245	1	0	\|a PyTorch kompakt \|b Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle \|c Joe Papa ; deutsche Übersetzung Frank Langenau
250			\|a 1. Auflage
264		1	\|a Heidelberg \|b O'Reilly \|c [2022]
264		4	\|c ©2022
300			\|a 235 Seiten \|b Illustrationen, Diagramme \|c 24 cm x 16.5 cm
336			\|b txt \|2 rdacontent
337			\|b n \|2 rdamedia
338			\|b nc \|2 rdacarrier
650	0	7	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|2 gnd \|9 rswk-swf
650	0	7	\|a Deep Learning \|0 (DE-588)1135597375 \|2 gnd \|9 rswk-swf
650	0	7	\|a PyTorch \|0 (DE-588)1202487386 \|2 gnd \|9 rswk-swf
650	0	7	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|2 gnd \|9 rswk-swf
653			\|a Neuronale Netze
653			\|a Python
653			\|a Machine Learning
653			\|a Data Science
653			\|a Algorithmen
653			\|a KI
653			\|a AI
653			\|a Artificial Intelligence
653			\|a Künstliche Intelligenz
653			\|a Maschinelles Lernen
653			\|a Unsupervised Learning
653			\|a Supervised Learning
653			\|a überwachtes Lernen
653			\|a Neural Networks
653			\|a PyTorch
653			\|a Framework
689	0	0	\|a Maschinelles Lernen \|0 (DE-588)4193754-5 \|D s
689	0	1	\|a Deep Learning \|0 (DE-588)1135597375 \|D s
689	0	2	\|a PyTorch \|0 (DE-588)1202487386 \|D s
689	0	3	\|a Künstliche Intelligenz \|0 (DE-588)4033447-8 \|D s
689	0		\|5 DE-604
689	1	0	\|a PyTorch \|0 (DE-588)1202487386 \|D s
689	1		\|5 DE-604
700	1		\|a Langenau, Frank \|0 (DE-588)123178002 \|4 trl
775	0	8	\|i Parallele Sprachausgabe \|z 9781492090007
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, PDF \|z 978-3-96010-600-5
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, EPUB \|z 978-3-96010-601-2
776	0	8	\|i Erscheint auch als \|n Online-Ausgabe, MOBI \|z 978-3-96010-602-9
856	4	2	\|m DNB Datenaustausch \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
856	4	2	\|m Digitalisierung UB Passau - ADAM Catalogue Enrichment \|q application/pdf \|u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA \|3 Inhaltsverzeichnis
943	1		\|a oai:aleph.bib-bvb.de:BVB01-033017525

Record in the Search Index

_version_	1823932148656111616
adam_text	VORWORT . 9 1 EINE EINFUEHRUNG IN PYTORCH . 15 WAS IST PYTORCH? . 15 WARUM PYTORCH VERWENDEN? . 16 ERSTE SCHRITTE . 18 AUSFUHREN IN GOOGLE COLABORATORY . 18 AUSFUHREN AUF EINEM LOKALEN COMPUTER . 21 AUSFUEHREN AUF CLOUD-PLATTFORMEN . 23 DIE PYTORCH-UMGEBUNG UEBERPRUEFEN . 24 EIN UNTERHALTSAMES BEISPIEL . 25 2 TENSOREN . 31 WAS IST EIN TENSOR? . 31 EIN EINFACHES CPU-BEISPIEL . 32 EIN EINFACHES GPU-BEISPIEL . 33 TENSOREN ZWISCHEN CPUS UND GPUS VERSCHIEBEN . 33 TENSOREN ERSTELLEN . 34 TENSORATTRIBUTE . 37 DATENTYPEN . 37 TENSOREN AUS ZUFAELLIGEN STICHPROBEN ERSTELLEN . 39 TENSOREN WIE ANDERE TENSOREN ERSTELLEN . 40 TENSOROPERATIONEN . 40 TENSOREN INDIZIEREN, SLICEN, KOMBINIEREN UND AUFTEILEN . 41 TENSOROPERATIONEN FUER DIE MATHEMATIK . 44 AUTOMATISCHE DIFFERENTIATION (AUTOGRAD) . 49 3 DEEP-LEARNING-ENTWICKLUNG MIT PYTORCH . 51 DER GESAMTPROZESS . 51 DATENVORBEREITUNG . 54 LADEN VON DATEN . 54 DATENTRANSFORMATIONEN . 57 DATEN AUF STAPEL VERTEILEN . 60 ALLGEMEINE DATENVORBEREITUNG (TORCH.UTILS.DATA) . 61 MODELLENTWICKLUNG . 64 MODELLENTWURF . 64 TRAINING . 76 VALIDIERUNG . 82 TESTEN . 85 MODELLBEREITSTELLUNG (DEPLOYMENT) . 86 MODELLE SPEICHERN . 86 IN PYTORCH HUB BEREITSTELLEN . 87 IN DER PRODUKTION BEREITSTELLEN . 88 4 REFERENZENTWUERFE FUER DIE ENTWICKLUNG NEURONALER NETZE . 89 BILDKLASSIFIZIERUNG MIT TRANSFER LEARNING . 90 DATENVERARBEITUNG . 90 MODELLENTWURF . 92 TRAINING UND VALIDIERUNG . 93 TESTEN UND BEREITSTELLEN . 95 STIMMUNGSANALYSE MIT TORCHTEXT . 96 DATENVERARBEITUNG . 96 MODELLENTWURF . 100 TRAINING UND VALIDIERUNG . 101 TESTEN UND BEREITSTELLEN . 103 GENERATIVES LERNEN - FASHION-MNIST-BILDER MIT DCGAN GENERIEREN . 105 DATENVERARBEITUNG . 105 MODELLENTWURF . 107 TRAINING . 109 TESTEN UND BEREITSTELLEN . 113 5 PYTORCH ANPASSEN . 115 BENUTZERDEFINIERTE SCHICHTEN UND AKTIVIERUNGSFUNKTIONEN . 115 BEISPIEL FUER EINE BENUTZERDEFINIERTE SCHICHT (COMPLEXLINEAR) . 117 BEISPIEL FUER EINE BENUTZERDEFINIERTE AKTIVIERUNGSFUNKTION (COMPLEXRELU) . 120 BENUTZERDEFINIERTE MODELLARCHITEKTUREN . 121 BENUTZERDEFINIERTE VERLUSTFUNKTIONEN . 123 BENUTZERDEFINIERTE ALGORITHMEN FUER OPTIMIERER . 125 BENUTZERDEFINIERTE TRAININGS-, VALIDIERUNGS UND TESTSCHLEIFEN . 128 6 PYTORCH BESCHLEUNIGEN UND OPTIMIEREN . 131 PYTORCH AUF EINER TPU . 132 PYTORCH AUF MEHREREN GPUS (EINZELCOMPUTER) . 134 DATENPARALLELVERARBEITUNG . 135 MODELLPARALLELVERARBEITUNG . 138 KOMBINIERTE DATEN UND MODELLPARALLELVERARBEITUNG . 140 VERTEILTES TRAINING (MEHRERE COMPUTER) . 142 MODELLOPTIMIERUNG . 143 HYPERPARAMETER-TUNING . 143 QUANTISIERUNG . 149 PRUNING . 152 7 PYTORCH IN DIE PRODUKTION UEBERFUEHREN . 157 TOOLS UND BIBLIOTHEKEN FUER DIE PYTORCH-BEREITSTELLUNG . 158 GEMEINSAMES BEISPIELMODELL . 159 PYTHON-API . 159 TORCHSCRIPT . 160 TORCHSERVE . 163 TORCHSERVE UND DAS MODELLARCHIVIERUNGSTOOL INSTALLIEREN . 164 TORCHSERVE STARTEN . 166 ONNX . 169 MOBILE BIBLIOTHEKEN . 171 EINE FLASK-APP BEREITSTELLEN . 172 COLAB-FLASK-APP . 175 BEREITSTELLEN IN DER CLOUD MIT TORCHSERVE . 176 SCHNELLER START MIT DOCKER . 177 BEREITSTELLEN AUF MOBILEN UND EDGE-GERAETEN . 178 IOS . 178 ANDROID . 181 ANDERE EDGE-GERAETE . 183 8 DAS PYTORCH-OEKOSYSTEM UND ZUSAETZLICHE RESSOURCEN . 187 DAS PYTORCH-OEKOSYSTEM . 188 TORCHVISION FUER BILD UND VIDEODATEN . 194 DATENSAETZE UND EIN-/AUSGABE . 194 MODELLE . 196 TRANSFORMATIONEN, OPERATIONEN UND UTILITYS . 197 TORCHTEXT FUER NLP . 202 EIN DATENSATZOBJEKT ERSTELLEN . 203 DATEN VORVERARBEITEN . 203 EINEN DATENLADER FUER DIE STAPELVERARBEITUNG ERSTELLEN . 204 DATEN (TORCHTEXT.DATA) . 205 DATENSAETZE (TORCHTEXT.DATASETS) . 205 VOKABULARE (TORCHTEXT.VOCAB) . 207 TENSORBOARD FUER DIE VISUALISIERUNG . 208 LERNKURVEN MIT SCALARS . 211 MODELLARCHITEKTUREN MIT GRAPHS . 212 DATEN MIT IMAGES, TEXT UND PROJECTOR . 212 GEWICHTSVERTEILUNGEN MIT DISTRIBUTIONS UND H1STOGRAMS . 213 HYPERPARAMETER MIT HPARAMS . 214 DIE T ENSORBOARD-API . 215 PAPERS WITH CODE . 217 ZUSAETZLICHE PYTORCH-RESSOURCEN . 218 TUTORIALS . 218 BUECHER . 219 ONLINEKURSE UND LIVE-SCHULUNGEN . 220 INDEX . 223 Inhalt Vorwort. 9 1 Eine Einführung in PyTorch. Was ist PyTorch?. Warum PyTorch verwenden?. Erste Schritte. Ausführen in Google Colaboratory. Ausführen auf einem lokalen Computer. Ausführen auf Cloud-Plattformen. Die PyTorch-Umgebung überprüfen. Ein unterhaltsames Beispiel. 15 15 16 18 18 21 23 24 25 2 Tensoren. Was ist ein Tensor?. Ein einfaches CPU-Beispiel. Ein einfaches GPU-Beispiel. Tensoren zwischen CPUs und GPUs verschieben'. Tensoren erstellen. Tensorattribute. Datentypen. Tensoren aus zufälligen Stichproben erstellen. Tensoren wie andere Tensoren erstellen. Tensoroperationen. Tensoren indizieren, sličen, kombinieren und aufteilen. Tensoroperationen für die Mathematik. Automatische Differentiation (Autograd). 31 31 32 33 33 34 37 37 39 40 40 41 44 49 3 4 5 б I Deep-Learning-Entwicklung mit Pyľorch. 51 Der Gesamtprozess. Datenvorbereitung. Laden von Daten. Datentransformationen. Daten auf Stapel verteilen. Allgemeine Datenvorbereitung (torch.utils.data). Modellentwicklung. Modellentwurf. Training. Validierung. Testen. Modellbereitstellung (Deployment). Modelle speichern. In PyTorch Hub bereitstellen. In der Produktion bereitstellen. 51 54 54 57 60 61 64 64 76 82 85 86 86 87 88 Referenzentwürfe für die Entwicklung neuronaler Netze. 89 Bildklassifizierung mit Transfer Learning. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Stimmungsanalyse mit Torchtext. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Generatives Lernen ֊ Fashion-MNIST-Bilder mit DCGAN generieren. Datenverarbeitung. Modellentwurf. Training. Testen und bereitstellen. 90 90 92 93 95 96 96 100 101 103 105 105 107 109 113 PyTorch anpassen. 115 Benutzerdefinierte Schichten und Aktivierungsfunktionen. Beispiel für eine benutzerdefinierte Schicht (ComplexLinear). Beispiel für eine benutzerdefinierte Aktivierungsfunktion (ComplexReLU). 115 117 Inhalt 120 Benutzerdefinierte Modellarchitekturen. Benutzerdefinierte Verlustfunktionen. Benutzerdefinierte Algorithmen für Optimierer. Benutzerdefinierte Trainings-, Validierungs- und Testschleifen. 6 7 8 121 123 125 128 PyTorch beschleunigen und optimieren. 131 PyTorch auf einer TPU. PyTorch auf mehreren GPUs (Einzelcomputer). Datenparallelverarbeitung. Modellparallelverarbeitung. Kombinierte Daten- und Modellparallelverarbeitung. Verteiltes Training (mehrere Computer). Modelloptimierung. Hyperparameter-T uning. Quantisierung. Pruning. 132 134 135 138 140 142 143 143 149 152 PyTorch in die Produktion überführen. 157 Tools und Bibliotheken für die PyTorch-Bereitstellung. Gemeinsames Beispielmodell. Python-API. TorchScript. TorchServe. TorchServe und das Modellarchivierungstool installieren. TorchServe starten. ONNX. Mobile Bibliotheken. Eine Flask-App bereitstellen. Colab-Flask-App. Bereitstellen in der Cloud mit TorchServe. Schneller Start mit Docker. Bereitstellen auf mobilen und Edge-Geräten. İOS. Android. Andere Edge-Geräte. 158 159 159 160 163 164 166 169 171 172 175 176 177 178 178 181 183 Das PyTorch-Ökosystem und zusätzliche Ressourcen. 187 Das PyTorch-Ökosystem. Torchvision für Bild- und Videodaten. Datensätze und Ein-/Ausgabe. Modelle. Transformationen, Operationen und Utilitys. 188 194 194 196 197 Inhalt I 7 Torchtext für NLP. Ein Datensatzobjekt erstellen. Daten vorverarbeiten. Einen Datenlader für die Stapelverarbeitung erstellen. Daten (torchtext.data). Datensätze (torchtext.datasets). Vokabulare (torchtext.vocab). TensorBoard für die Visualisierung. Lernkurven mit SCALARS. Modellarchitekturen mit GRAPHS. Daten mit IMAGES, TEXT und PROJECTOR. Gewichtsverteilungen mit DISTRIBUTIONS und HISTOGRAMS. Hyperparameter mit HPARAMS. Die TensorBoard-API. Papers with Code. Zusätzliche PyTorch-Ressourcen. Tutorials. Bücher. Onlinekurse und Live-Schulungen. 213 214 215 217 218 218 219 220 Index. 223 8 I Inhalt 202 203 203 204 205 205 207 208 211 212 212
adam_txt	VORWORT . 9 1 EINE EINFUEHRUNG IN PYTORCH . 15 WAS IST PYTORCH? . 15 WARUM PYTORCH VERWENDEN? . 16 ERSTE SCHRITTE . 18 AUSFUHREN IN GOOGLE COLABORATORY . 18 AUSFUHREN AUF EINEM LOKALEN COMPUTER . 21 AUSFUEHREN AUF CLOUD-PLATTFORMEN . 23 DIE PYTORCH-UMGEBUNG UEBERPRUEFEN . 24 EIN UNTERHALTSAMES BEISPIEL . 25 2 TENSOREN . 31 WAS IST EIN TENSOR? . 31 EIN EINFACHES CPU-BEISPIEL . 32 EIN EINFACHES GPU-BEISPIEL . 33 TENSOREN ZWISCHEN CPUS UND GPUS VERSCHIEBEN . 33 TENSOREN ERSTELLEN . 34 TENSORATTRIBUTE . 37 DATENTYPEN . 37 TENSOREN AUS ZUFAELLIGEN STICHPROBEN ERSTELLEN . 39 TENSOREN WIE ANDERE TENSOREN ERSTELLEN . 40 TENSOROPERATIONEN . 40 TENSOREN INDIZIEREN, SLICEN, KOMBINIEREN UND AUFTEILEN . 41 TENSOROPERATIONEN FUER DIE MATHEMATIK . 44 AUTOMATISCHE DIFFERENTIATION (AUTOGRAD) . 49 3 DEEP-LEARNING-ENTWICKLUNG MIT PYTORCH . 51 DER GESAMTPROZESS . 51 DATENVORBEREITUNG . 54 LADEN VON DATEN . 54 DATENTRANSFORMATIONEN . 57 DATEN AUF STAPEL VERTEILEN . 60 ALLGEMEINE DATENVORBEREITUNG (TORCH.UTILS.DATA) . 61 MODELLENTWICKLUNG . 64 MODELLENTWURF . 64 TRAINING . 76 VALIDIERUNG . 82 TESTEN . 85 MODELLBEREITSTELLUNG (DEPLOYMENT) . 86 MODELLE SPEICHERN . 86 IN PYTORCH HUB BEREITSTELLEN . 87 IN DER PRODUKTION BEREITSTELLEN . 88 4 REFERENZENTWUERFE FUER DIE ENTWICKLUNG NEURONALER NETZE . 89 BILDKLASSIFIZIERUNG MIT TRANSFER LEARNING . 90 DATENVERARBEITUNG . 90 MODELLENTWURF . 92 TRAINING UND VALIDIERUNG . 93 TESTEN UND BEREITSTELLEN . 95 STIMMUNGSANALYSE MIT TORCHTEXT . 96 DATENVERARBEITUNG . 96 MODELLENTWURF . 100 TRAINING UND VALIDIERUNG . 101 TESTEN UND BEREITSTELLEN . 103 GENERATIVES LERNEN - FASHION-MNIST-BILDER MIT DCGAN GENERIEREN . 105 DATENVERARBEITUNG . 105 MODELLENTWURF . 107 TRAINING . 109 TESTEN UND BEREITSTELLEN . 113 5 PYTORCH ANPASSEN . 115 BENUTZERDEFINIERTE SCHICHTEN UND AKTIVIERUNGSFUNKTIONEN . 115 BEISPIEL FUER EINE BENUTZERDEFINIERTE SCHICHT (COMPLEXLINEAR) . 117 BEISPIEL FUER EINE BENUTZERDEFINIERTE AKTIVIERUNGSFUNKTION (COMPLEXRELU) . 120 BENUTZERDEFINIERTE MODELLARCHITEKTUREN . 121 BENUTZERDEFINIERTE VERLUSTFUNKTIONEN . 123 BENUTZERDEFINIERTE ALGORITHMEN FUER OPTIMIERER . 125 BENUTZERDEFINIERTE TRAININGS-, VALIDIERUNGS UND TESTSCHLEIFEN . 128 6 PYTORCH BESCHLEUNIGEN UND OPTIMIEREN . 131 PYTORCH AUF EINER TPU . 132 PYTORCH AUF MEHREREN GPUS (EINZELCOMPUTER) . 134 DATENPARALLELVERARBEITUNG . 135 MODELLPARALLELVERARBEITUNG . 138 KOMBINIERTE DATEN UND MODELLPARALLELVERARBEITUNG . 140 VERTEILTES TRAINING (MEHRERE COMPUTER) . 142 MODELLOPTIMIERUNG . 143 HYPERPARAMETER-TUNING . 143 QUANTISIERUNG . 149 PRUNING . 152 7 PYTORCH IN DIE PRODUKTION UEBERFUEHREN . 157 TOOLS UND BIBLIOTHEKEN FUER DIE PYTORCH-BEREITSTELLUNG . 158 GEMEINSAMES BEISPIELMODELL . 159 PYTHON-API . 159 TORCHSCRIPT . 160 TORCHSERVE . 163 TORCHSERVE UND DAS MODELLARCHIVIERUNGSTOOL INSTALLIEREN . 164 TORCHSERVE STARTEN . 166 ONNX . 169 MOBILE BIBLIOTHEKEN . 171 EINE FLASK-APP BEREITSTELLEN . 172 COLAB-FLASK-APP . 175 BEREITSTELLEN IN DER CLOUD MIT TORCHSERVE . 176 SCHNELLER START MIT DOCKER . 177 BEREITSTELLEN AUF MOBILEN UND EDGE-GERAETEN . 178 IOS . 178 ANDROID . 181 ANDERE EDGE-GERAETE . 183 8 DAS PYTORCH-OEKOSYSTEM UND ZUSAETZLICHE RESSOURCEN . 187 DAS PYTORCH-OEKOSYSTEM . 188 TORCHVISION FUER BILD UND VIDEODATEN . 194 DATENSAETZE UND EIN-/AUSGABE . 194 MODELLE . 196 TRANSFORMATIONEN, OPERATIONEN UND UTILITYS . 197 TORCHTEXT FUER NLP . 202 EIN DATENSATZOBJEKT ERSTELLEN . 203 DATEN VORVERARBEITEN . 203 EINEN DATENLADER FUER DIE STAPELVERARBEITUNG ERSTELLEN . 204 DATEN (TORCHTEXT.DATA) . 205 DATENSAETZE (TORCHTEXT.DATASETS) . 205 VOKABULARE (TORCHTEXT.VOCAB) . 207 TENSORBOARD FUER DIE VISUALISIERUNG . 208 LERNKURVEN MIT SCALARS . 211 MODELLARCHITEKTUREN MIT GRAPHS . 212 DATEN MIT IMAGES, TEXT UND PROJECTOR . 212 GEWICHTSVERTEILUNGEN MIT DISTRIBUTIONS UND H1STOGRAMS . 213 HYPERPARAMETER MIT HPARAMS . 214 DIE T ENSORBOARD-API . 215 PAPERS WITH CODE . 217 ZUSAETZLICHE PYTORCH-RESSOURCEN . 218 TUTORIALS . 218 BUECHER . 219 ONLINEKURSE UND LIVE-SCHULUNGEN . 220 INDEX . 223 Inhalt Vorwort. 9 1 Eine Einführung in PyTorch. Was ist PyTorch?. Warum PyTorch verwenden?. Erste Schritte. Ausführen in Google Colaboratory. Ausführen auf einem lokalen Computer. Ausführen auf Cloud-Plattformen. Die PyTorch-Umgebung überprüfen. Ein unterhaltsames Beispiel. 15 15 16 18 18 21 23 24 25 2 Tensoren. Was ist ein Tensor?. Ein einfaches CPU-Beispiel. Ein einfaches GPU-Beispiel. Tensoren zwischen CPUs und GPUs verschieben'. Tensoren erstellen. Tensorattribute. Datentypen. Tensoren aus zufälligen Stichproben erstellen. Tensoren wie andere Tensoren erstellen. Tensoroperationen. Tensoren indizieren, sličen, kombinieren und aufteilen. Tensoroperationen für die Mathematik. Automatische Differentiation (Autograd). 31 31 32 33 33 34 37 37 39 40 40 41 44 49 3 4 5 б I Deep-Learning-Entwicklung mit Pyľorch. 51 Der Gesamtprozess. Datenvorbereitung. Laden von Daten. Datentransformationen. Daten auf Stapel verteilen. Allgemeine Datenvorbereitung (torch.utils.data). Modellentwicklung. Modellentwurf. Training. Validierung. Testen. Modellbereitstellung (Deployment). Modelle speichern. In PyTorch Hub bereitstellen. In der Produktion bereitstellen. 51 54 54 57 60 61 64 64 76 82 85 86 86 87 88 Referenzentwürfe für die Entwicklung neuronaler Netze. 89 Bildklassifizierung mit Transfer Learning. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Stimmungsanalyse mit Torchtext. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Generatives Lernen ֊ Fashion-MNIST-Bilder mit DCGAN generieren. Datenverarbeitung. Modellentwurf. Training. Testen und bereitstellen. 90 90 92 93 95 96 96 100 101 103 105 105 107 109 113 PyTorch anpassen. 115 Benutzerdefinierte Schichten und Aktivierungsfunktionen. Beispiel für eine benutzerdefinierte Schicht (ComplexLinear). Beispiel für eine benutzerdefinierte Aktivierungsfunktion (ComplexReLU). 115 117 Inhalt 120 Benutzerdefinierte Modellarchitekturen. Benutzerdefinierte Verlustfunktionen. Benutzerdefinierte Algorithmen für Optimierer. Benutzerdefinierte Trainings-, Validierungs- und Testschleifen. 6 7 8 121 123 125 128 PyTorch beschleunigen und optimieren. 131 PyTorch auf einer TPU. PyTorch auf mehreren GPUs (Einzelcomputer). Datenparallelverarbeitung. Modellparallelverarbeitung. Kombinierte Daten- und Modellparallelverarbeitung. Verteiltes Training (mehrere Computer). Modelloptimierung. Hyperparameter-T uning. Quantisierung. Pruning. 132 134 135 138 140 142 143 143 149 152 PyTorch in die Produktion überführen. 157 Tools und Bibliotheken für die PyTorch-Bereitstellung. Gemeinsames Beispielmodell. Python-API. TorchScript. TorchServe. TorchServe und das Modellarchivierungstool installieren. TorchServe starten. ONNX. Mobile Bibliotheken. Eine Flask-App bereitstellen. Colab-Flask-App. Bereitstellen in der Cloud mit TorchServe. Schneller Start mit Docker. Bereitstellen auf mobilen und Edge-Geräten. İOS. Android. Andere Edge-Geräte. 158 159 159 160 163 164 166 169 171 172 175 176 177 178 178 181 183 Das PyTorch-Ökosystem und zusätzliche Ressourcen. 187 Das PyTorch-Ökosystem. Torchvision für Bild- und Videodaten. Datensätze und Ein-/Ausgabe. Modelle. Transformationen, Operationen und Utilitys. 188 194 194 196 197 Inhalt I 7 Torchtext für NLP. Ein Datensatzobjekt erstellen. Daten vorverarbeiten. Einen Datenlader für die Stapelverarbeitung erstellen. Daten (torchtext.data). Datensätze (torchtext.datasets). Vokabulare (torchtext.vocab). TensorBoard für die Visualisierung. Lernkurven mit SCALARS. Modellarchitekturen mit GRAPHS. Daten mit IMAGES, TEXT und PROJECTOR. Gewichtsverteilungen mit DISTRIBUTIONS und HISTOGRAMS. Hyperparameter mit HPARAMS. Die TensorBoard-API. Papers with Code. Zusätzliche PyTorch-Ressourcen. Tutorials. Bücher. Onlinekurse und Live-Schulungen. 213 214 215 217 218 218 219 220 Index. 223 8 I Inhalt 202 203 203 204 205 205 207 208 211 212 212
any_adam_object	1
any_adam_object_boolean	1
author	Papa, Joe
author2	Langenau, Frank
author2_role	trl
author2_variant	f l fl
author_GND	(DE-588)1250286557 (DE-588)123178002
author_facet	Papa, Joe Langenau, Frank
author_role	aut
author_sort	Papa, Joe
author_variant	j p jp
building	Verbundindex
bvnumber	BV047633184
classification_rvk	ST 302 ST 300 ST 250
ctrlnum	(OCoLC)1268935900 (DE-599)DNB1241130442
dewey-full	006.31 005.133
dewey-hundreds	000 - Computer science, information, general works
dewey-ones	006 - Special computer methods 005 - Computer programming, programs, data, security
dewey-raw	006.31 005.133
dewey-search	006.31 005.133
dewey-sort	16.31
dewey-tens	000 - Computer science, information, general works
discipline	Informatik
discipline_str_mv	Informatik
edition	1. Auflage
format	Book
fullrecord	<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV047633184</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20220701</controlfield><controlfield tag="007">t\|</controlfield><controlfield tag="008">211209s2022 gw a\|\|\| \|\|\|\| 00\|\|\| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1241130442</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091851</subfield><subfield code="c">kart. : EUR 29.90 (DE), EUR 30.80 (AT)</subfield><subfield code="9">978-3-96009-185-1</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1268935900</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1241130442</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-860</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-Aug4</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Papa, Joe</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1250286557</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">PyTorch pocket reference</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">PyTorch kompakt</subfield><subfield code="b">Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle</subfield><subfield code="c">Joe Papa ; deutsche Übersetzung Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">[2022]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">©2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">235 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Unsupervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Supervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">überwachtes Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neural Networks</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">PyTorch</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Framework</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Langenau, Frank</subfield><subfield code="0">(DE-588)123178002</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="z">9781492090007</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96010-600-5</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96010-601-2</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96010-602-9</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-033017525</subfield></datafield></record></collection>
id	DE-604.BV047633184
illustrated	Illustrated
index_date	2024-07-03T18:46:00Z
indexdate	2025-02-13T09:00:44Z
institution	BVB
isbn	9783960091851
language	German English
oai_aleph_id	oai:aleph.bib-bvb.de:BVB01-033017525
oclc_num	1268935900
open_access_boolean
owner	DE-860 DE-739 DE-1043 DE-29T DE-1102 DE-11 DE-Aug4
owner_facet	DE-860 DE-739 DE-1043 DE-29T DE-1102 DE-11 DE-Aug4
physical	235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm
publishDate	2022
publishDateSearch	2022
publishDateSort	2022
publisher	O'Reilly
record_format	marc
spelling	Papa, Joe Verfasser (DE-588)1250286557 aut PyTorch pocket reference PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau 1. Auflage Heidelberg O'Reilly [2022] ©2022 235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Deep Learning (DE-588)1135597375 gnd rswk-swf PyTorch (DE-588)1202487386 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Neuronale Netze Python Machine Learning Data Science Algorithmen KI AI Artificial Intelligence Künstliche Intelligenz Maschinelles Lernen Unsupervised Learning Supervised Learning überwachtes Lernen Neural Networks PyTorch Framework Maschinelles Lernen (DE-588)4193754-5 s Deep Learning (DE-588)1135597375 s PyTorch (DE-588)1202487386 s Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Langenau, Frank (DE-588)123178002 trl Parallele Sprachausgabe 9781492090007 Erscheint auch als Online-Ausgabe, PDF 978-3-96010-600-5 Erscheint auch als Online-Ausgabe, EPUB 978-3-96010-601-2 Erscheint auch als Online-Ausgabe, MOBI 978-3-96010-602-9 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis
spellingShingle	Papa, Joe PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Künstliche Intelligenz (DE-588)4033447-8 gnd Deep Learning (DE-588)1135597375 gnd PyTorch (DE-588)1202487386 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
subject_GND	(DE-588)4033447-8 (DE-588)1135597375 (DE-588)1202487386 (DE-588)4193754-5
title	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
title_alt	PyTorch pocket reference
title_auth	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
title_exact_search	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
title_exact_search_txtP	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
title_full	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau
title_fullStr	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau
title_full_unstemmed	PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau
title_short	PyTorch kompakt
title_sort	pytorch kompakt syntax design patterns und codebeispiele fur deep learning modelle
title_sub	Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
topic	Künstliche Intelligenz (DE-588)4033447-8 gnd Deep Learning (DE-588)1135597375 gnd PyTorch (DE-588)1202487386 gnd Maschinelles Lernen (DE-588)4193754-5 gnd
topic_facet	Künstliche Intelligenz Deep Learning PyTorch Maschinelles Lernen
url	http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA
work_keys_str_mv	AT papajoe pytorchpocketreference AT langenaufrank pytorchpocketreference AT papajoe pytorchkompaktsyntaxdesignpatternsundcodebeispielefurdeeplearningmodelle AT langenaufrank pytorchkompaktsyntaxdesignpatternsundcodebeispielefurdeeplearningmodelle

Holdings

There is no print copy available.

Interlibrary loan Place Request Caution: Not in THWS collection! Indexes
Indexes

MARC

Record in the Search Index

There is no print copy available.

Similar Items