●Prefácio 1
Capítulo 1 PyTorch Introdução 9
Montando um Computador de Aprendizado Profundo 9
GPU 10
CPU/Placa-mãe 10
RAM 11
Armazenamento 11
Aprendizado profundo usando a nuvem11
Google Colaboratório 12
Provedor de Nuvem 13
Qual provedor de nuvem usar? 16
Usando o Jupyter Notebook 17
Instalar o PyTorch 18 do zero
Baixar CUDA 18
Anaconda 19
Finalmente, é hora de instalar o PyTorch (e o Jupyter Notebook)!
Tensor 20
Operações Tensor 21
Tensor Broadcast24
Resumo 24
Leitura adicional 25
Capítulo 2 Classificação de imagens com PyTorch 27
Nosso problema de classificação 27
Desafio Tradicional 29
Primeiro, são necessários os dados 29
PyTorch e carregadores de dados 30
Crie um conjunto de dados de treinamento31
Criar conjuntos de dados de validação e teste 33
Por fim, vamos construir uma rede neural34
Função de ativação 35
Crie uma rede 36
Função de Perda37
Otimização 37
Treinamento 40
GPU 41 necessária
Abrangente 41
Previsão 43
Modelo salvou 44
Resumo 45
Leitura adicional 46
Capítulo 3 Redes Neurais Convolucionais 47
Nosso primeiro modelo convolucional47
Convolução 49
Agrupamento 52
Abandono 53
História da Arquitetura da CNN54
AlexNet 54
Início/GoogLeNet55
VGG 56
ResNet 58
Existem outras arquiteturas59
Usando modelos pré-treinados no PyTorch59
Estrutura do Modelo Analítico 60
BatchNorm 63
Qual modelo usar63
Biblioteca de modelos completa: PyTorch Hub 64
Resumo 65
Leitura adicional 65
Capítulo 4 Aprendizagem por Transferência e Outras Técnicas 67
Transferência de Aprendizagem com ResNet67
Encontre a taxa de aprendizagem 69
Taxa de aprendizagem diferencial 72
Aumento de Dados74
Conversão Torchvision75
Conversão de espaço de cores e lambda 80
Classe de Conversão 82
Comece pequeno e cresça mais83
Grupo 84
Resumo 85
Leitura adicional 85
Capítulo 5 Classificação de Texto 87
Redes Neurais Recorrentes87
Redes de memória de longo prazo 90
Unidade recorrente fechada 91
biLSTM 92
Incorporar 93
texto explicativo 95
Dados obtidos: do Twitter96
Definir Campo 98
Construir lista de palavras 100
Criando Modelos 102
Atualizar o loop de treinamento 103
Categoria de Tweet 104
Aumento de Dados 105
Inserção aleatória 106
Excluir 106 aleatoriamente
Troca aleatória 107
Retrotradução 107
Melhoria e texto de tocha 109
Aprendizagem por transferência? 109
Resumo 109
Leitura adicional 110
Capítulo 6 Jornada Sonora 113
Som 113
Conjunto de dados ESC-50 115
Obter conjunto de dados 115
Reproduzindo áudio no Jupyter 115
Explore ESC-50 116
SoX e LibROSA 117
tochaudio 118
Construindo um conjunto de dados ESC-50119
Um modelo CNN para ESC-50121
Transferência para o domínio de frequência 123
Espectrograma Mel 124
Um novo conjunto de dados126
Um ResNet 129 ajustado
Encontrando a taxa de aprendizagem 131
Aprimoramento de dados de áudio132
torchaudio converter 133
Cadeia de efeitos sonoros SoX133
SpecAugment 135
Mais Testes 140
Resumo 140
Leitura adicional 141
Capítulo 7 Depuração de modelos PyTorch 143
O que seus dados estão fazendo às 3 da manhã?
TensorBoard 144
Instalar TensorBoard 144
Enviando dados para o TensorBoard 145
Ganchos PyTorch 149
Traçando a média e o desvio padrão 150
Mapeamento de Ativação de Classe 152
Gráfico de Chama 154
Instalar py-spy 157
Leitura de gráficos de chama 158
Corrigiu uma transição muito lenta 159
Depuração do problema 163 da GPU
Verifique sua GPU 163
Ponto de verificação de gradiente 165
Resumo 167
Leitura adicional 168
Capítulo 8 Usando PyTorch em Produção 169
Fornecendo serviços de modelo169
Construindo um servidor Flask170
Definindo Parâmetros do Modelo 173
Criando um contêiner Docker 174
Armazenamento local e em nuvem177
Registro e Telemetria180
Implantação no Kubernetes181
Implantação com o Google Kubernetes Engine 181
Criar um cluster k8s182
Serviços de Escalonamento 183
Atualização e limpeza 184
TorchScript 185
Faixa 185
Roteiro 188
TorchScript 190
Usando libTorch 193
Obtenha libTorch e Olá Mundo 193
Importando um modelo TorchScript 195
Resumo 196
Leitura adicional 197
Capítulo 9 O vasto mundo de PyTorch 199
Aumento de Dados: Combinação e Suavização 199
confusão 199
Etiqueta Suave 204
Computador, melhore 205
Introdução à Super Resolução 206
Introdução ao GAN 209
Falsificadores e Juízes 209
Treinamento GAN 210
O Perigo do Colapso do Modelo212
ESRGAN 212
Mais exploração da detecção de imagem 213
Detecção de Objetos 214
Faster R-CNN e Máscara R-CNN 216
Exemplos Adversariais 218
Ataque da Caixa Preta 221
Prevenção de ataques adversários222
Mais do que apenas visão: arquitetura transformadora 222
Atenção 223
Atenção é tudo o que você precisa 224
BERT 225
FastBERT 225
GPT-2 227
Gerando texto com GPT-228
ULMFiT 230
Qual modelo usar?
Resumo 233
Leitura adicional 234
Sobre o autor237
Capa Introdução 237

Aprenda a implantar modelos de aprendizado profundo em ambientes de produção.
Estude casos de uso do PyTorch em diversas empresas líderes.
Aprenda a aplicar a aprendizagem por transferência a imagens.
Aplique técnicas de PNL de ponta usando um modelo treinado na Wikipédia.
Classificação completa de áudio usando um modelo baseado em convolução usando a biblioteca torchaudio do PyTorch.
Depure modelos PyTorch usando TensorBoard e gráficos de chama.
Implante aplicativos PyTorch em produção usando contêineres Docker e clusters Kubernetes em execução no Google Cloud.

Escrito por Ian Poynter e traduzido por Lin Qi