
PyTorch für Deep Learning
Description
Alles über E-Books | Antworten auf Fragen rund um E-Books, Kopierschutz und Dateiformate finden Sie in unserem Info- & Hilfebereich.
More details
Other editions
Additional editions


Persons
Content
- Cover
- Titel
- Impressum
- Inhalt
- Vorwort
- 1 Einstieg in PyTorch
- Zusammenbau eines maßgeschneiderten Deep-Learning-Rechners
- Grafikprozessor (GPU)
- Hauptprozessor (CPU) und Motherboard
- Arbeitsspeicher (RAM)
- Speicher
- Deep Learning in der Cloud
- Google Colaboratory
- Cloud-Anbieter
- Welchen Cloud-Anbieter sollte ich wählen?
- Verwendung von Jupyter Notebook
- PyTorch selbst installieren
- CUDA downloaden
- Anaconda
- Zu guter Letzt - PyTorch (und Jupyter Notebook)
- Tensoren
- Tensoroperationen
- Tensor-Broadcasting
- Zusammenfassung
- Weiterführende Literatur
- 2 Bildklassifizierung mit PyTorch
- Unsere Klassifizierungsaufgabe
- Traditionelle Herausforderungen
- Zunächst erst mal Daten
- Daten mit PyTorch einspielen
- Einen Trainingsdatensatz erstellen
- Erstellen eines Validierungs- und eines Testdatensatzes
- Endlich, ein neuronales Netzwerk!
- Aktivierungsfunktionen
- Ein Netzwerk erstellen
- Verlustfunktionen
- Optimierung
- Training
- Validierung
- Ein Modell auf der GPU zum Laufen bringen
- Alles in einem
- Vorhersagen treffen
- Speichern von Modellen
- Zusammenfassung
- Weiterführende Literatur
- 3 Neuronale Konvolutionsnetze (CNNs)
- Unser erstes Konvolutionsnetz
- Konvolutionen
- Pooling
- Die Dropout-Schicht
- Die Geschichte der CNN-Architekturen
- AlexNet
- Inception/GoogLeNet
- VGG
- ResNet
- Weitere Architekturen
- Vortrainierte Modelle in PyTorch nutzen
- Die Struktur eines Modells untersuchen
- Die Batch-Normalisierungs-Schicht
- Welches Modell sollten Sie verwenden?
- One-Stop-Shopping für Modelle: PyTorch Hub
- Zusammenfassung
- Weiterführende Literatur
- 4 Transfer Learning und andere Kniffe
- Transfer Learning mit ResNet
- Die optimale Lernrate finden
- Differenzielle Lernraten
- Datenaugmentation
- Transformationen in Torchvision
- Farbräume und Lambda-Transformationen
- Benutzerdefinierte Transformationsklassen
- Klein anfangen und schrittweise vergrößern!
- Ensemble-Modelle
- Zusammenfassung
- Weiterführende Literatur
- 5 Textklassifizierung
- Rekurrente neuronale Netzwerke
- Long-Short-Term-Memory-(LSTM-)Netzwerke
- Gated Recurrent Units (GRUs)
- BiLSTM-Netzwerke
- Einbettungen
- Torchtext
- Ein Twitter-Datensatz
- Field-Objekte definieren
- Einen Wortschatz aufbauen
- Erstellung unseres Modells
- Die Trainingsschleife modifizieren
- Tweets klassifizieren
- Datenaugmentation
- Zufälliges Einfügen
- Zufälliges Löschen
- Zufälliges Austauschen
- Rückübersetzung
- Datenaugmentation und Torchtext
- Transfer Learning?
- Zusammenfassung
- Weiterführende Literatur
- 6 Eine Reise in die Welt der Klänge
- Töne
- Der ESC-50-Datensatz
- Den Datensatz beschaffen
- Audiowiedergabe in Jupyter
- Den ESC-50-Datensatz erkunden
- SoX und LibROSA
- torchaudio
- Einrichten eines eigenen ESC-50-Datensatzes
- Ein CNN-Modell für den ESC-50-Datensatz
- Frequenzbereich
- Mel-Spektrogramme
- Ein neuer Datensatz
- Ein vortrainiertes ResNet-Modell
- Lernrate finden
- Datenaugmentation für Audiodaten
- Transformationen mit torchaudio
- SoX-Effektketten
- SpecAugment
- Weitere Experimente
- Zusammenfassung
- Weiterführende Literatur
- 7 PyTorch-Modelle debuggen
- 3 Uhr morgens. Wie steht es um Ihre Daten?
- TensorBoard
- TensorBoard installieren
- Daten an TensorBoard übermitteln
- Hooks in PyTorch
- Mittelwert und Standardabweichung visualisieren
- Class Activation Mapping
- Flammendiagramme
- py-spy installieren
- Flammendiagramme interpretieren
- Eine langsame Transformation beheben
- Debuggen von GPU-Problemen
- Die GPU überwachen
- Gradient-Checkpointing
- Zusammenfassung
- Weiterführende Literatur
- 8 PyTorch im Produktiveinsatz
- Bereitstellen eines Modells
- Einrichten eines Flask-Webdiensts
- Modellparameter laden
- Erstellen eines Docker-Containers
- Unterschiede zwischen lokalem und Cloud-Speicher
- Logging und Telemetrie
- Deployment mit Kubernetes
- Einrichten der Google Kubernetes Engine
- Aufsetzen eines Kubernetes-Clusters
- Dienste skalieren
- Aktualisierungen und Bereinigungen
- TorchScript
- Tracing
- Scripting
- Einschränkungen in TorchScript
- Mit libTorch arbeiten
- libTorch einrichten
- Ein TorchScript-Modell importieren
- Quantisierung
- Dynamische Quantisierung
- Weitere Quantisierungsmöglichkeiten
- Lohnt sich das alles?
- Zusammenfassung
- Weiterführende Literatur
- 9 Praxiserprobte PyTorch-Modelle in Aktion
- Datenaugmentation: Vermischen und Glätten
- Mixup
- Label-Glättung
- Computer, einmal in scharf bitte!
- Einführung in die Super-Resolution
- Einführung in Generative Adversarial Networks (GANs)
- Der Fälscher und sein Kritiker
- Trainieren eines GAN
- Die Gefahr des Mode Collapse
- ESRGAN
- Weitere Einblicke in die Bilderkennung
- Objekterkennung
- Faster R-CNN und Mask R-CNN
- Adversarial Samples
- Black-Box-Angriffe
- Abwehr adversarialer Angriffe
- Die Transformer-Architektur
- Aufmerksamkeitsmechanismus
- Attention Is All You Need
- BERT
- FastBERT
- GPT-2
- GPT-2 vorbereiten
- Texte mit GPT-2 erzeugen
- Beispielhafte Ausgabe
- ULMFiT
- Welches Modell verwenden?
- Selbstüberwachtes Training mit PyTorch Lightning auf Basis von Bildern
- Rekonstruieren und Erweitern der Eingabe
- Daten automatisch labeln
- PyTorch Lightning
- Der Imagenette-Datensatz
- Einen selbstüberwachten Datensatz erstellen
- Ein Modell mit PyTorch Lightning erstellen
- Weitere Möglichkeiten zur Selbstüberwachung (und darüber hinaus)
- Zusammenfassung
- Weiterführende Literatur
- Index
- Über den Autor
- Über den Übersetzer
- Fußnoten
System requirements
File format: PDF
Copy protection: Watermark-DRM (Digital Rights Management)
System requirements:
- Computer (Windows; MacOS X; Linux): Use the free software Adobe Reader, Adobe Digital Editions, or any other PDF viewer of your choice (see eBook Help).
- Tablet/Smartphone (Android; iOS): Install the free app Adobe Digital Editions or another reading app for eBooks, e.g., PocketBook (see eBook Help).
- E-reader: Bookeen, Kobo, Pocketbook, Sony, Tolino and many more (only limited: Kindle).
The file format PDF always displays a book page identically on any hardware. This makes PDF suitable for complex layouts such as those used in textbooks and reference books (images, tables, columns, footnotes). Unfortunately, on the small screens of e-readers or smartphones, PDFs are rather annoying, requiring too much scrolling.
This eBook uses Watermark-DRM, a „soft” copy protection. This means that there are no technical restrictions to prevent illegal distribution. However, there is a personalised watermark embedded in the eBook that can be used to identify the purchaser of the eBook in the event of misuse and to provide evidence for legal purposes.
For more information, see our eBook Help page.