یادگیری عمیق با PyTorch

یادگیری عمیق با Pytorch شما را به ایجاد شبکه های عصبی و سیستم های یادگیری عمیق با Pytorch می آموزد. این کتاب عملی به سرعت شما را به کار ساخت یک مثال دنیای واقعی از ابتدا: طبقه بندی تصویر تومور. در طول راه، این بهترین شیوه ها را برای کل خط لوله DL، از جمله API Tensor Pytorch، بارگیری داده ها در پایتون، نظارت بر آموزش و تجسم نتایج را پوشش می دهد. پس از پوشش اصول، این کتاب شما را از طریق پروژه های بزرگتر به شما می برد. مرکز کتاب یک شبکه عصبی طراحی شده برای تشخیص سرطان است. شما راه هایی را برای آموزش شبکه ها با ورودی های محدود کشف خواهید کرد و شروع به پردازش داده ها برای دریافت برخی نتایج می کنید. شما از طریق نتایج اولیه غیر قابل اعتماد از بین می رود و تمرکز بر چگونگی تشخیص و رفع مشکلات در شبکه عصبی خود را. در نهایت، شما به دنبال راه هایی برای بهبود نتایج خود را با آموزش با داده های تقویت شده، بهبود به معماری مدل، و انجام تنظیمات خوب دیگر.

عنوان اصلی : Manning - Deep Learning with PyTorch

سرفصل های دوره :

00001 قسمت 1. هسته PyTorch
00002 فصل 1. معرفی یادگیری عمیق و کتابخانه PyTorch
00003 فصل 1. چرا PyTorch
00004 فصل 1. مروری بر نحوه پشتیبانی PyTorch از پروژه های یادگیری عمیق
00005 فصل 1. سخت افزار و نرم افزار مورد نیاز
00006 فصل 2. شبکه های از پیش آموزش دیده
00007 فصل 2. به دست آوردن یک شبکه از پیش آموزش دیده برای تشخیص تصویر
00008 فصل 2. مجموعه آماده تقریباً اجرا می شود
00009 فصل 2. یک مدل از پیش آموزش دیده که آن را جعل می کند تا زمانی که آن را بسازد
00010 فصل 2. شبکه ای که اسب ها را به گورخر تبدیل می کند
00011 فصل 2. یک شبکه از پیش آموزش دیده که صحنه ها را توصیف می کند
00012 فصل 3. با یک تانسور شروع می شود
00013 فصل 3. تانسورهای نمایه سازی
00014 فصل 3. API تانسور
00015 فصل 3. متادیتای تانسور - تغییر اندازه و گام
00016 فصل 3. قابلیت همکاری NumPy
00017 فصل 4. نمایش داده های دنیای واقعی با استفاده از تانسورها
00018 فصل 4. تصاویر سه بعدی - داده های حجمی
00019 فصل 4. نمایش نمرات
00020 فصل 4. کار با سری های زمانی
00021 فصل 4. آماده برای آموزش
00022 فصل 4. رمزگذاری کل کلمات یک داغ
00023 فصل 4. جاسازی متن به عنوان طرح اولیه
00024 فصل 5. مکانیک یادگیری
00025 فصل 5. جمع آوری برخی داده ها
00026 فصل 5. پایین در امتداد گرادیان
00027 فصل 5. عادی سازی ورودی ها
00028 فصل 5. بهینه سازها a la carte
00029 فصل 5. تعمیم به مجموعه اعتبارسنجی
00030 فصل 6. استفاده از شبکه عصبی برای برازش داده ها
00031 فصل 6. توابع فعال سازی بیشتر
00032 فصل 6. ماژول PyTorch nn
00033 فصل 6. سرانجام یک شبکه عصبی
00034 فصل 7. گفتن پرندگان از هواپیما - یادگیری از تصاویر
00035 فصل 7. تشخیص پرندگان از هواپیما
00036 فصل 7. نمایش خروجی به صورت احتمالات
00037 فصل 7. آموزش طبقه بندی کننده
00038 فصل 7. محدودیت های اتصال کامل
00039 فصل 8. استفاده از کانولوشن برای تعمیم
00040 فصل 8. پیچیدگی در عمل
00041 فصل 8. نگاهی بیشتر با عمق و ادغام
00042 فصل 8. زیرمجموعه nn.Module
00043 فصل 8. آموزش convnet ما
00044 فصل 8. کمک به مدل ما برای همگرایی و تعمیم - منظم سازی
00045 فصل 8. عمیق تر رفتن برای یادگیری ساختارهای پیچیده تر - عمق
00046 فصل 8. مقایسه طرح های این بخش
00047 قسمت 2. یادگیری از تصاویر در دنیای واقعی - تشخیص زودهنگام سرطان ریه
00048 فصل 9. استفاده از PyTorch برای مبارزه با سرطان
00049 فصل 9. سی تی اسکن دقیقاً چیست
00050 فصل 9. با جزئیات بیشتر موارد زیر را انجام خواهیم داد
00051 فصل 9. چرا ما نمی توانیم فقط داده ها را در یک شبکه عصبی پرتاب کنیم تا زمانی که کار کند
00052 فصل 9. ندول چیست
00053 فصل 10. ترکیب منابع داده در یک مجموعه داده یکپارچه
00054 فصل 10. مجموعه های آموزشی و اعتبار سنجی
00055 فصل 10. بارگیری سی تی اسکن های فردی
00056 فصل 10. تعیین محل ندول با استفاده از سیستم مختصات بیمار
00057 فصل 10. اجرای ساده مجموعه داده
00058 فصل 10. ساخت مجموعه داده ما در LunaDataset. شروع کنید
00059 فصل 11. آموزش یک مدل طبقه بندی برای تشخیص تومورهای مشکوک
00060 فصل 11. راه اندازی و مقداردهی اولیه
00061 فصل 11. طراحی شبکه عصبی گذر اول ما
00062 فصل 11. مدل کامل
00063 فصل 11. خروجی معیارهای عملکرد
00064 فصل 11. داده های مورد نیاز برای آموزش
00065 فصل 11. اجرای TensorBoard
00066 فصل 11. چرا مدل یاد نمی گیرد که گره ها را تشخیص دهد؟
00067 فصل 12. بهبود آموزش با متریک و تقویت
00068 فصل 12. نمودارهای مثبت و منفی
00069 فصل 12. معیار عملکرد نهایی ما - امتیاز F1
00070 فصل 12. یک مجموعه داده ایده آل چگونه به نظر می رسد
00071 فصل 12. نمونه‌گرها می‌توانند مجموعه داده‌ها را تغییر شکل دهند
00072 فصل 12. بررسی مجدد مشکل اضافه برازش
00073 فصل 12. مشاهده بهبود حاصل از افزایش داده ها
00074 فصل 13. استفاده از بخش بندی برای یافتن گره های مشکوک
00075 فصل 13. تقسیم بندی معنایی - طبقه بندی در هر پیکسل
00076 فصل 13. به روز رسانی مدل برای تقسیم بندی
00077 فصل 13. به روز رسانی مجموعه داده برای تقسیم بندی
00078 فصل 13. ساختن داده های حقیقت پایه
00079 فصل 13. پیاده سازی Luna2dSegmentationDataset
00080 فصل 13. طراحی داده های آموزشی و اعتبار سنجی ما
00081 فصل 13. به روز رسانی اسکریپت آموزشی برای بخش بندی
00082 فصل 13. دریافت تصاویر در TensorBoard
00083 فصل 13. نتایج
00084 فصل 14. تجزیه و تحلیل ندول انتها به انتها و مکان بعدی
00085 فصل 14. تقسیم بندی سی تی پل زدن و طبقه بندی کاندید ندول
00086 فصل 14. آیا طبقه بندی ندول برای کاهش مثبت کاذب پیدا کردیم
00087 فصل 14. اعتبارسنجی کمیبر
00088 فصل 14. استفاده مجدد از وزن های قبلی - تنظیم دقیق
00089 فصل 14. آنچه ما هنگام تشخیص می بینیم
00090 فصل 14. فراتر از بهترین مدل واحد - گروه بندی
00091 فصل 14. نتیجه گیری
00092 قسمت 3. استقرار
00093 فصل 15. استقرار در تولید
00094 فصل 15. درخواست دسته بندی
00095 فصل 15. مدل های صادراتی
00096 فصل 15. تعامل با PyTorch JIT
00097 فصل 15. TorchScript
00098 فصل 15. LibTorch - PyTorch در C++
00099 فصل 15. C++ از ابتدا - C++ API
00100 فصل 15. رفتن به موبایل
00101 فصل 15. بهبود بازده - طراحی مدل و کوانتیزاسیون