کتاب Automated Deep Learning Using Neural Network Intelligence (یادگیری عمیق خودکار با استفاده از هوش شبکه عصبی: توسعه و طراحی مدل‌های PyTorch و TensorFlow با استفاده از پایتون)، از جدیدترین منابع یادگیری علم یادگیری عمیق با استفاده از هوش شبکه عصبی است. این کتاب در 7 فصل به شرح کاربردهای یادگیری عمیق در زمینه هوش شبکه عصبی با استفاده از زبان پایتون و کتابخانه PyTorch و TensorFlow خواهد پرداخت.
در ادامه مقدمه‌ای از کتاب Automated Deep Learning Using Neural Network Intelligence را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Automated Deep Learning Using Neural Network Intelligence:
یادگیری ماشین بخش بزرگی از زندگی ما در دنیای امروز است. ما در حال حاضر حتی نمی‌توانیم به دنیایی بدون رویکردهای یادگیری ماشین فکر کنیم، و در حال حاضر بخش عظیمی از فعالیت‌های روزانه ما را به خود اختصاص داده است. وب‌سایت‌ها، برنامه‌های کاربردی موبایل، اتومبیل‌های خودران، دستگاه‌های خانگی و بسیاری از چیزهای اطراف ما از الگوریتم‌های یادگیری ماشینی استفاده می‌کنند.
طلوع قدرت محاسباتی، به ویژه واحد پردازش گرافیک، با شروع عملی اجرای یادگیری عمیق همراه بود. یادگیری عمیق طراحی شبکه‌های عصبی عمیق را مطالعه می‌کند. این رویکرد کارایی چشمگیری را نشان می‌دهد و در سال‌های اخیر رشد انفجاری را تجربه کرده است.
جای تعجب نیست که تعداد کارهایی که باید حل شوند و نیاز به متخصصان یادگیری ماشین به طور مداوم در حال افزایش است. در همان زمان، تعداد اقدامات معمولی که توسعه‌دهندگان و دانشمندان داده برای حل مشکلات یادگیری ماشین انجام می‌دهند در حال افزایش است. در همین حال، محققان تکنیک‌های خاصی را برای صرفه‌جویی در زمان و خودکارسازی رایج‌ترین وظایف یادگیری ماشین توسعه دادند.
این تکنیک‌ها در ناحیه خاصی به نام یادگیری ماشین خودکار یا AutoML جدا شدند. این کتاب بر حوزه یادگیری عمیق خودکار (AutoDL) تمرکز دارد که اتوداسیون مشکلات یادگیری عمیق را مطالعه می‌کند. AutoDL مسائل ایجاد و طراحی مدل‌های یادگیری عمیق بهینه را در نظر می‌گیرد. این رویکرد در سال‌های اخیر به سرعت توسعه یافته است و در برخی موارد می‌تواند حل وظایف معمولی را کاملاً خودکار کند.
کتاب Automated Deep Learning Using Neural Network Intelligence در مورد پیاده سازی روش‌های AutoDL با استفاده از هوش شبکه عصبی مایکروسافت (NNI) است. NNI یک جعبه ابزار پایتون است که شامل رایج‌ترین و پیشرفته‌ترین روش‌های AutoDL است: بهینه سازی Hyperparameter (HPO)، جستجوی معماری عصبی (NAS)، و فشرده سازی مدل. NNI از محبوب ترین چارچوب‌های یادگیری عمیق پشتیبانی می‌کند. این کتاب پیاده‌سازی NNI تکنیک‌های مختلف AutoDL را با استفاده از چارچوب‌های PyTorch و TensorFlow پوشش می‌دهد.
بیشتر بخوانید: کتاب Deep Learning in Visual Computing
فصل 1 کتاب Automated Deep Learning Using Neural Network Intelligence بر اصول یادگیری عمیق خودکار و اینکه چرا باید این رویکرد را عملی کنیم، تمرکز دارد. ما همچنین NNI را نصب کرده و سناریوهای اصلی اصلی را برای استفاده از آن بررسی خواهیم کرد. ما یاد خواهیم گرفت که چگونه آزمایش‌های ساده Hello World را اجرا کنیم و از طریق خط فرمان و WebUI با NNI تعامل کنیم.
در فصل 2 کتاب Automated Deep Learning Using Neural Network Intelligence، ما به مطالعه رایج ترین کار AutoDL – بهینه سازی Hyperparameter (HPO) خواهیم پرداخت. ما یاد خواهیم گرفت که Hyperparameter Optimization چیست، هایپرپارامترها چیست و چگونه یک آزمایش NNI HPO را با استفاده از PyTorch و TensorFlow سازماندهی کنیم. ما همچنین سه نوع تحقیق خواهیم ساخت که سفری تاریخی به سرچشمه‌های یادگیری عمیق خواهد داشت.
اولین مورد به ما کمک می‌کند تا بهترین هایپرپارامترهای مدل LeNet را برای مشکل MNIST تعیین کنیم. تحقیق دوم یک لایه حذفی جدید و فعال‌سازی واحد خطی اصلاح شده (ReLU) را در مدل اصلی LeNet ادغام می‌کند. و سومی به ما نشان می‌دهد که چگونه می‌توانیم مدل LeNet را در AlexNet با استفاده از تکنیک‌های ساده HPO تکامل دهیم.
در فصل 3، الگوریتم‌های اصلی جستجوی NNI (Tuners) را مطالعه خواهیم کرد که هدف آن حل وظایف HPO است. در اینجا، کاربرد عملی و شرح الگوریتم‌های زیر را در نظر خواهیم گرفت: Evolution Tuner، Anneal Tuner و SMBO Tuners. فصل 3 ایجاد یک تیونر سفارشی را ارائه می‌کند و آن را برای مسئله کلاسیک Shallow AutoML – ایجاد یک خط لوله بهینه با استفاده از روش‌های Scikit اعمال می‌کند.
در فصل 4 کتاب Automated Deep Learning Using Neural Network Intelligence، ما شروع به تحقیق در مورد جستجوی معماری عصبی (NAS) خواهیم کرد. NAS رویکردی است که ایجاد و طراحی شبکه‌های عصبی را که به بهترین وجه برای حل یک مشکل خاص مناسب هستند را مطالعه می‌کند.
این فصل NAS چند آزمایشی و اصول اصلی آن را پوشش می‌دهد. ما در مورد چارچوب NNI Retiari بحث خواهیم کرد، فضاهای مدل و جهش‌دهنده‌های مدل را تعریف می‌کنیم و آزمایش‌هایی را راه‌اندازی می‌کنیم که شبکه‌های عصبی بهینه را می‌سازند. همچنین، این فصل الگوریتم‌های اکتشافی مختلفی را معرفی می‌کند که فضای مدل NAS چند آزمایشی را بررسی می‌کنند: تکامل منظم، استراتژی TPE، و استراتژی RL. در مرحله بعد، آزمایش‌های NAS چند آزمایشی مبتنی بر LeNet و ResNet را برای حل مشکل CIFAR-10 خواهیم ساخت.
در فصل 5 کتاب Automated Deep Learning Using Neural Network Intelligence، به سراغ One-shot NAS، یکی از آخرین پیشرفت‌های AutoDL می‌رویم. این فصل نحوه ساخت سوپرنت، نحوه طراحی معماری‌های عصبی مبتنی بر سلول و اجرای الگوریتم‌های NAS تک‌شات جستجوی معماری عصبی کارآمد (ENAS) و جستجوی معماری متفاوت (DARTS) را توضیح می‌دهد.
در فصل ششم به موضوع مهم هرس مدل می‌پردازیم. هرس مدل شبکه عصبی را فشرده می‌کند و وزن‌ها یا حتی لایه‌های اضافی را حذف می‌کند. این تکنیک برای دستگاه‌های سبک وزن زمانی که نیاز به صرفه‌جویی در منابع محاسباتی داریم بسیار مهم است. این فصل به بررسی الگوریتم‌های اصلی هرس تک‌شات و تکراری می‌پردازد.
فصل 7 بر روی دستور العمل‌های عملی برای استفاده از NNI برای سازماندهی آزمایش‌های قوی، گسترده و کلان داده تمرکز خواهد کرد.
کتاب Automated Deep Learning Using Neural Network Intelligence کاربردهای عملی NNI روش‌های AutoDL را بررسی می‌کند و نظریه آن‌ها را نیز شرح می‌دهد. بنابراین، این کتاب می‌تواند برای دانشمندان داده‌ای که می‌خواهند این ایده را که زیربنای تکنیک‌ها و الگوریتم‌های AutoDL مختلف است، به دست آورند، مفید باشد.
سرفصل‌های کتاب Automated Deep Learning Using Neural Network Intelligence:
- About the Author
- About the Technical Reviewer
- Introduction
- Chapter 1: Introduction to Neural Network Intelligence
- Chapter 2: Hyperparameter Optimization
- Chapter 3: Hyperparameter Optimization Under Shell
- Chapter 4: Multi-trial Neural Architecture Search
- Chapter 5: One-Shot Neural Architecture Search
- Chapter 6: Model Pruning
- Chapter 7: NNI Recipes
- Index
فایل کتاب Automated Deep Learning Using Neural Network Intelligence را می‌توانید پس از پرداخت، دریافت کنید.
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.