Diese Website verwendet Cookies und ähnliche Technologien. Dabei handelt es sich um kleine Textdateien, die auf eurem Computer gespeichert und ausgelesen werden. Indem ihr auf "Alles akzeptieren" klickt, stimmt ihr der Verarbeitung von Daten, der Erstellung und Verarbeitung von individuellen Nutzungsprofilen über Websites und über Partner und Geräte hinweg sowie der Übermittlung eurer Daten an Drittanbieter zu, die eure Daten teilweise in Ländern außerhalb der Europäischen Union verarbeiten (GDPR Art. 49). Einzelheiten hierzu findet ihr in den Datenschutzhinweisen. Die Daten werden für Analysen und für eigene Zwecke Dritter verwendet. Weitere Informationen, auch über die Datenverarbeitung durch Drittanbieter und die Möglichkeit des Widerrufs, findet ihr in den Einstellungen und in unseren Datenschutzhinweisen. Hier könnt ihr mit den notwendigen Tools fortfahren.
- Verlag: Rheinwerk Verlag
- Autor: Bert Gollnick
- Artikel-Nr.: KNV98628853
- ISBN: 9783367111299
PyTorch-Programmierung professionell! Das meistbenutzte Deep-Learning-Framework in der Praxis: Lernen Sie für spezifische Aufgaben aus realen Projektszenarien, wie Sie mit PyTorch KI-Modelle trainieren, optimieren und produktiv einsetzen. Bert Gollnick zeigt Ihnen in diesem Buch alle einschlägigen Verfahren inklusive Python-Implementierung, von linearer Regression über große Sprachmodelle bis zur Kombination mehrerer Verfahren. Die Anwendungen beinhalten Computer Vision, RAG-Systeme, Zeitreihenanalysen und vieles mehr. Sie evaluieren und deployen Ihre Modelle mit modernsten Methoden und lernen dafür Tools wie FlowML, TensorBoard und FastAPI kennen.
Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.
- Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
- Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
- Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.
Aus dem Inhalt:
- Installation des Frameworks
- Deep-Learning-Grundkonzepte
- Vortrainierte Modelle verwenden
- Daten vorbereiten
- Klassifizierungsaufgaben
- Computer Vision
- Empfehlungssysteme
- Graph Neural Networks
- Große Sprachmodelle (LLMs)
- Zeitreihen-Vorhersagen
- PyTorch Lightning
- LangChain
- Cloud-Deployment mit Heroku
- FlowML, TensorBoard und WandB
- Lokaler Einsatz mit FastAPI