PyTorch. Освещая глубокое обучение [Эли Стивенс] (pdf) читать постранично, страница - 2
Книга в формате pdf! Изображения и текст могут не отображаться!
[Настройки текста] [Cбросить фильтры]
- 1
- 2
- 3
- 4
- . . .
- последняя (194) »
Об авторах . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Об иллюстрации на обложке . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Часть I
Основы PyTorch
Глава 1. Знакомство с глубоким обучением и библиотекой PyTorch . . . . . . 36
1.1. Революция глубокого обучения . . . . . . . . . . . . . . . . . . . . . . . . 37
1.2. Использование PyTorch для глубокого обучения . . . . . . . . . . . . . 39
8 Оглавление
1.3. Почему PyTorch? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
1.3.1. Общая картина сферы глубокого обучения . . . . . . . . . . . . . 42
1.4. Обзор средств поддержки библиотекой PyTorch проектов .
глубокого обучения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
1.5. Аппаратные и программные требования . . . . . . . . . . . . . . . . . . . 48
1.5.1. Блокноты Jupyter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
1.6. Упражнения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
1.7. Резюме . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Глава 2. Предобученные сети . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.1. Предобученные сети для распознавания тематики .
изображения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.1.1. Получение предобученной сети для распознавания .
изображений . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
2.1.2. AlexNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.1.3. ResNet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
2.1.4. На старт, внимание, почти что марш . . . . . . . . . . . . . . . . . 59
2.1.5. Марш! . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
2.2. Предобученная модель, создающая все лучшие подделки . . . . . . . . 64
2.2.1. Игра GAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.2.2. CycleGAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.2.3. Сеть, превращающая лошадей в зебр . . . . . . . . . . . . . . . . . 68
2.3. Предобученная сеть для описания обстановки . . . . . . . . . . . . . . . 72
2.3.1. NeuralTalk2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
2.4. Torch Hub . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
2.5. Итоги главы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.6. Упражнения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
2.7. Резюме . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Глава 3. В начале был тензор... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.1. Мир как числа с плавающей запятой . . . . . . . . . . . . . . . . . . . . . 79
3.2. Тензоры: многомерные массивы . . . . . . . . . . . . . . . . . . . . . . . . 81
3.2.1. От списков Python к тензорам PyTorch . . . . . . . . . . . . . . . . 81
3.2.2. Создаем наши первые тензоры . . . . . . . . . . . . . . . . . . . . . 82
3.2.3. Что такое тензоры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Оглавление 9
3.3. Доступ к тензорам по индексам . . . . . . . . . . . . . . . . . . . . . . . . 86
3.4. Поименованные тензоры . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3.5. Типы элементов тензоров . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.5.1. Задание числового типа с помощью dtype . . . . . . . . . . . . . . 91
3.5.2. dtype на все случаи жизни . . . . . . . . . . . . . . . . . . . . . . . . 91
3.5.3. Работа с атрибутом dtype тензоров . . . . . . . . . . . . . . . . . . 92
3.6. API тензоров . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.7. Тензоры: хранение в памяти . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
3.7.1. Доступ к хранилищу по индексу . . . . . . . . . . . . . . . . . . . . 95
3.7.2. Модификация хранимых значений: операции с заменой .
на месте . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.8. Метаданные тензоров: размер, сдвиг и шаг . . . . . . . . . . . . . . . . . 97
3.8.1. Представления хранилища другого тензора . . . . . . . . . . . . . 97
3.8.2. Транспонирование без копирования . . . . . . . . . . . . . . . . 100
3.8.3. Транспонирование при более высокой размерности . . . . . . . 101
3.8.4. Непрерывные тензоры . . . . . . . . . . . . . . . . . . . . . . . . . 102
3.9. Перенос тензоров на GPU . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.9.1. Работа с атрибутом device тензоров . . . . . . . . . . . . . . . . . 105
3.10. Совместимость с NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
3.11. Обобщенные тензоры тоже тензоры . . . . . . . . . . . . . . . . . . . . 107
3.12. Сериализация тензоров . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
3.12.1. Сериализация в HDF5 с помощью h5py . . . . . . . . . . . . . 109
3.13. Итоги главы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
3.14. Упражнения . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
3.15. Резюме . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
Глава 4. Представление реальных данных с помощью тензоров . . . . . . . . 112
4.1. Работа с изображениями . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.1.1. Добавление цветовых каналов . . . . . . . . . . . . . . . . . . . . 114
4.1.2. Загрузка файла изображения . . . . . . . . . . . . . . . . . . . . .
- 1
- 2
- 3
- 4
- . . .
- последняя (194) »
Последние комментарии
12 часов 10 минут назад
12 часов 10 минут назад
12 часов 18 минут назад
12 часов 27 минут назад
13 часов 25 минут назад
13 часов 43 минут назад