کتاب Deep Learning with MXNet Cookbook: Discover an extensive collection of recipes for creating and implementing AI models on MXNet (یادگیری عمیق با کتاب راهنمای MXNet: مجموعه گسترده‌ای از دستور العمل‌ها را برای ایجاد و پیاده‌سازی مدل‌های هوش مصنوعی در MXNet کشف کنید.) منبعی برای با استفاده از ابزار MXNet و پیاده‌سازی انواع مدل‌های هوش مصنوعی و الگوریتم‌ها یادگیری عمیق با این چارچوب قدرتمند می‌باشد.
در ادامه مقدمه‌ای از کتاب Deep Learning with MXNet Cookbook را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Deep Learning with MXNet Cookbook:
MXNet یک چارچوب یادگیری عمیق منبع باز است که به شما امکان آموزش و استقرار مدل‌های شبکه عصبی و پیاده‌سازی معماری‌های پیشرفته (SOTA) در Computer Vision، پردازش زبان طبیعی و غیره را می‌دهد. با این کتاب آشپزی، می‌توانید راه‌حل‌های یادگیری عمیق سریع و مقیاس‌پذیر را با استفاده از Apache MXNet بسازید.
این کتاب با نشان دادن نسخه‌های مختلف MXNet و اینکه چه نسخه‌ای را قبل از نصب کتابخانه خود انتخاب کنید، شروع می‌شود. شما یاد خواهید گرفت که شروع به استفاده از کتابخانه‌های MXNet/Gluon برای حل مشکلات طبقه‌بندی و رگرسیون کنید و در مورد عملکرد داخلی این کتابخانه ها‌ایده بگیرید.
کتاب Deep Learning with MXNet Cookbook همچنین نحوه استفاده از MXNet را برای تجزیه و تحلیل مجموعه داده‌های اسباب‌بازی در زمینه‌های رگرسیون عددی، طبقه‌بندی داده‌ها، طبقه‌بندی تصویر و طبقه‌بندی متن نشان می‌دهد.
همچنین یاد خواهید گرفت که از ابتدا معماری شبکه‌های عصبی یادگیری عمیق را بسازید و آموزش دهید، قبل از اینکه به مفاهیم پیچیده‌ای مانند یادگیری انتقالی بروید. شما یاد خواهید گرفت که معماری‌های شبکه عصبی از جمله CNN، RNN، Transformers را بسازید و به کار ببرید و این مدل‌ها را در برنامه‌های خود ادغام کنید. همچنین یاد خواهید گرفت که عملکرد این مدل‌ها را تجزیه و تحلیل کنید و آن‌ها را برای افزایش دقت، مقیاس‌پذیری و سرعت تنظیم کنید.
بیشتر بخوانید: کتاب Understanding Deep Learning
تا پایان کتاب، می‌توانید از کتابخانه‌های MXNet و Gluon برای ایجاد و آموزش شبکه‌های یادگیری عمیق با استفاده از پردازنده‌های گرافیکی استفاده کنید و نحوه استقرار کارآمد آن‌ها در محیط‌های مختلف را بیاموزید.
کتاب Deep Learning with MXNet Cookbook برای چه افرادی است؟
این کتاب برای دانشمندان داده، مهندسان یادگیری ماشین و توسعه‌دهندگانی که می‌خواهند با Apache MXNet برای ساخت راه حل‌های یادگیری عمیق سریع و مقیاس‌پذیر کار کنند، ایده‌آل است. انتظار می‌رود خواننده درک خوبی از برنامه‌نویسی پایتون و محیط کاری با Python ۳. ۷+ داشته باشد. درک نظری خوب از ریاضیات برای یادگیری عمیق مفید خواهد بود.
آنچه کتاب Deep Learning with MXNet Cookbook پوشش می‌دهد:
فصل ۱، بالا و در حال اجرا با MXNet، برای شروع کار با MXNet، باید کتابخانه را نصب کنیم. چندین نسخه مختلف از MXNet برای نصب در دسترس است، و در این فصل، نحوه کمک به شما را در انتخاب نسخه مناسب توضیح خواهیم داد. مهمترین پارامتر سخت‌افزار موجود ما خواهد بود.
به منظور بهینه‌سازی عملکرد، همیشه بهترین کار این است که استفاده از سخت‌افزار موجود را به حداکثر برسانیم. ما استفاده از یک کتابخانه جبر خطی معروف، NumPy، و نحوه ارائه عملیات مشابه MXNet را با هم مقایسه خواهیم کرد. سپس عملکرد نسخه‌های مختلف MXNet را با Numpy مقایسه می‌کنیم.
فصل ۲، کار با MXNet و تجسم مجموعه داده‌ها: Gluon و DataLoader، در این فصل از کتاب Deep Learning with MXNet Cookbook، ما استفاده از MXNet را برای تجزیه و تحلیل برخی از مجموعه داده‌های اسباب بازی در حوزه‌های رگرسیون عددی، طبقه‌بندی داده‌ها، طبقه‌بندی تصویر و طبقه‌بندی متن آغاز خواهیم کرد. برای مدیریت کارآمد آن وظایف، کتابخانه‌ها و توابع جدید MXNet مانند Gluon و DataLoader را خواهیم دید.
فصل ۳، حل مسائل رگرسیون، در این فصل، نحوه استفاده از کتابخانه‌های MXNet و Gluon را برای اعمال یادگیری نظارت شده برای حل مسائل رگرسیون خواهیم آموخت. ما مجموعه داده قیمت خانه را بررسی و درک خواهیم کرد و یاد خواهیم گرفت که چگونه قیمت یک خانه را پیش‌بینی کنیم. برای دستیابی به این هدف، شبکه‌های عصبی را آموزش می‌دهیم و تأثیر فراپارامتر‌های مختلف را مطالعه می‌کنیم.
فصل ۴، حل مسائل طبقه‌بندی، در این فصل، نحوه استفاده از کتابخانه‌های MXNet و Gluon را برای اعمال یادگیری نظارت شده برای حل مسائل طبقه‌بندی خواهیم آموخت. ما مجموعه داده گل‌ها را کشف و درک خواهیم کرد و یاد خواهیم گرفت که چگونه نوع گل را با توجه به برخی معیار‌ها پیش‌بینی کنیم. برای دستیابی به این هدف، شبکه‌های عصبی را آموزش می‌دهیم و تأثیر فراپارامتر‌های مختلف را مطالعه می‌کنیم.
فصل ۵، تجزیه و تحلیل تصاویر با دید کامپیوتری، در این فصل، خواننده معماری‌ها و عملیات‌های مختلف موجود در MXNet/GluonCV برای کار با تصاویر را درک خواهد کرد. علاوه بر این، خوانندگان با مسائل کلاسیک Computer Vision آشنا می‌شوند: طبقه‌بندی تصویر، تشخیص‌اشیا و تقسیم‌بندی معنایی. سپس آن‌ها یاد خواهند گرفت که چگونه از MXNetGluonCV Model Zoo برای استفاده از مدل‌های از قبل موجود برای حل این مشکلات استفاده کنند.
فصل ۶، درک متن با پردازش زبان طبیعی، در این فصل از کتاب Deep Learning with MXNet Cookbook، خواننده معماری‌ها و عملیات‌های مختلف موجود در MXNet/GluonNLP برای کار با مجموعه داده‌های متنی را درک خواهد کرد. علاوه بر این، خوانندگان با مشکلات کلاسیک پردازش زبان طبیعی آشنا می‌شوند: جاسازی کلمه، طبقه‌بندی متن، تجزیه و تحلیل احساسات و ترجمه. سپس آن‌ها یاد خواهند گرفت که چگونه از GluonNLP Model Zoo برای استفاده از مدل‌های از قبل موجود برای حل این مشکلات استفاده کنند.
فصل ۷، بهینه‌سازی مدل‌ها با یادگیری انتقالی و تنظیم دقیق، در این فصل از کتاب Deep Learning with MXNet Cookbook، خواننده نحوه بهینه‌سازی مدل‌های از پیش آموزش‌دیده‌شده را برای کار‌های خاص با استفاده از تکنیک‌های Transfer Learning و Fine-Tuning درک خواهد کرد.
علاوه بر این، خوانندگان عملکرد این تکنیک‌ها را در برابر آموزش یک مدل از ابتدا و معاوضه‌های موجود مقایسه خواهند کرد. خواننده این تکنیک‌ها را برای مشکلاتی مانند طبقه‌بندی تصویر، تقسیم‌بندی تصویر و ترجمه متن از انگلیسی به آلمانی به کار می‌گیرد.
فصل ۸، بهبود عملکرد آموزش با MXNet، در این فصل از کتاب Deep Learning with MXNet Cookbook، خواننده یاد می‌گیرد که چگونه از کتابخانه‌های MXNet و Gluon برای بهینه‌سازی حلقه‌های آموزشی یادگیری عمیق استفاده کند.
خواننده یاد خواهد گرفت که چگونه MXNet و Gluon می‌توانند از الگو‌های محاسباتی مانند Lazy Evaluation و Automatic Parallelization بهره ببرند. علاوه بر این، خواننده همچنین یاد می‌گیرد که Gluon DataLoader را برای CPU و GPU بهینه کند، از دقت ترکیبی خودکار (AMP) استفاده کند و با چندین GPU آموزش ببیند.
فصل ۹، بهبود عملکرد استنتاج با MXNet، در این فصل از کتاب Deep Learning with MXNet Cookbook، خواننده یاد می‌گیرد که چگونه از کتابخانه‌های MXNet و Gluon برای بهینه‌سازی استنتاج یادگیری عمیق استفاده کند.
خواننده یاد خواهد گرفت که چگونه MXNet و Gluon می‌توانند از ترکیب مدل‌های یادگیری ماشین (ترکیب برنامه‌نویسی ضروری و نمادین) استفاده کنند. علاوه بر این، خواننده همچنین می‌آموزد که زمان استنتاج را با استفاده از نوع داده Float۱۶ همراه با AMP، کمی کردن مدل‌های آن‌ها و پروفایل‌سازی برای یافتن دستاورد‌های بیشتر، بهینه‌سازی کند.
سرفصل‌های کتاب Deep Learning with MXNet Cookbook:
- Deep Learning with MXNet Cookbook
- Foreword
- Contributors
- About the author
- About the reviewers
- Preface
- Chapter 1: Up and Running with MXNet
- Chapter 2: Working with MXNet and Visualizing Datasets – Gluon and DataLoader
- Chapter 3: Solving Regression Problems
- Chapter 4: Solving Classification Problems
- Chapter 5: Analyzing Images with Computer Vision
- Chapter 6: Understanding Text with Natural Language Processing
- Chapter 7: Optimizing Models with Transfer Learning and Fine-Tuning
- Chapter 8: Improving Training Performance with MXNet
- Chapter 9: Improving Inference Performance with MXNet
- Index
- Other Books You May Enjoy
جهت دانلود کتاب Deep Learning with MXNet Cookbook می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.