کتاب Learn Generative AI with Pytorch (یادگیری هوش مصنوعی مولد با پای‌تورچ) یک راهنمای جامع برای علاقه‌مندان به یادگیری عمیق و هوش مصنوعی است که می‌خواهند در حوزه هیجان‌انگیز هوش مصنوعی مولد فعالیت کنند. این کتاب با استفاده از زبان ساده و مثال‌های عملی، شما را با مفاهیم پایه هوش مصنوعی مولد، کتابخانه قدرتمند پای‌تورچ و روش‌های ساخت مدل‌های مولد مختلف آشنا می‌کند.
از طریق این کتاب، شما یاد می‌گیرید که چگونه با استفاده از پای‌تورچ، مدل‌هایی برای تولید متن، تصویر، موسیقی و سایر داده‌ها ایجاد کنید و در پروژه‌های نوآورانه در این حوزه مشارکت کنید.
در ادامه مقدمه‌ای از کتاب Learn Generative AI with Pytorch را از زبان نویسنده شرح خواهیم داد.
مقدمه‌ای بر کتاب Learn Generative AI with Pytorch:
جذابیت من برای هوش مصنوعی مولد چند سال پیش آغاز شد، زمانی که برای اولین بار دیدم مدل‌ها تصاویر اسب را به تصاویر گورخر تبدیل می‌کنند و ترانسفورماتورها متنی شبیه به زندگی تولید می‌کنند.
کتاب Learn Generative AI with Pytorch حاصل سفر من در ساخت و درک این مدل‌ها از ابتدا است. این کتابی است که آرزو داشتم در طول آزمایشاتم با مدل‌های مختلف مولد داشته باشم.
با مدل‌های ساده شروع می‌شود و به خوانندگان کمک می‌کند تا قبل از پیشرفت به چالش‌های پیچیده‌تر، مهارت‌های یادگیری عمیق بنیادی را بسازند. من پس از آزمایش با TensorFlow، PyTorch را به دلیل نمودار محاسباتی پویا و نحو واضح آن انتخاب کردم.
تمام مدل‌های مولد در کتاب Learn Generative AI with Pytorch شبکه‌های عصبی عمیق هستند. این کتاب با یک پروژه جامع یادگیری عمیق در PyTorch شروع می‌شود که برای کسانی که تازه وارد این زمینه هستند، ایده‌آل است.
هر فصل با دقت ساختار یافته است تا بر فصل قبلی بنا شود. ابتدا یاد خواهید گرفت که چگونه محتوای اولیه مانند اشکال، اعداد و تصاویر را با استفاده از شبکه‌های مولد متخاصم با معماری‌های ساده ایجاد کنید.
با پیشرفت، پیچیدگی افزایش می‌یابد و در نهایت به ساخت مدل‌های پیشرفته مانند ترانسفورماتورها برای تولید متن و موسیقی و مدل‌های انتشار برای تولید تصاویر با وضوح بالا منجر می‌شود.
در ظاهر، کتاب Learn Generative AI with Pytorch اکتشافی از مدل‌های مختلف هوش مصنوعی مولد را ارائه می‌دهد. در سطحی عمیق‌تر، سفر فناوری منعکس‌کننده نحوه عملکرد ذهن ما و ماهیت آنچه به معنای انسان بودن است، می‌باشد.
برجستگی شبکه‌های عصبی عمیق در این مدل‌های مولد گواهی بر تلاش ما برای درک و تکرار فرآیندهای پیچیده یادگیری انسان است. مدل‌های هوش مصنوعی مولد با الهام از شگفتی‌های زیست‌شناسی تکاملی که مغز ما را شکل داده است، از حجم عظیمی از داده‌هایی که با آن‌ها مواجه می‌شوند، یاد می‌گیرند، درست مانند ما انسان‌ها که از محرک‌های اطراف خود یاد می‌گیریم.
مفاهیم هوش مصنوعی مولد بسیار فراتر از کاربردهای عملی آن است. در حالی که ما در خط مقدم این انقلاب فناوری ایستاده‌ایم، مجبوریم درک خود را از هوشیاری، زندگی و ماهیت وجود انسان بازبینی کنیم. تشابهات بین یادگیری ماشین و یادگیری انسان قابل توجه است.
درست همانطور که هوش مصنوعی مولد از طریق شبکه‌های عصبی الهام گرفته از مغز انسان عمل می‌کند، افکار، احساسات و رفتارهای ما نیز خروجی شبکه‌های عصبی درون بدن ما هستند.
بنابراین، مطالعه هوش مصنوعی مولد فراتر از مرزهای فناوری است و به کاوش در وضعیت انسان و مکانیسم‌هایی که بر هوشیاری ما تأثیر می‌گذارند، تبدیل می‌شود. مطالعه هوش مصنوعی مولد ما را به یک گمانه‌زنی عمیق سوق می‌دهد: آیا انسان‌ها در اصل مدل‌های پیچیده هوش مصنوعی مولد هستند؟
از این نظر، هوش مصنوعی مولد صرفاً یک ابزار نیست: بلکه آینه‌ای است که عمیق‌ترین پرسش‌های وجودی ما را منعکس می‌کند. با ادامه توسعه و تعامل با این فناوری‌ها، نه تنها آینده هوش مصنوعی را شکل می‌دهیم، بلکه درک خود را از هوش انسانی نیز عمیق‌تر می‌کنیم.
در نهایت، کاوش هوش مصنوعی مولد، کاوشی از خودمان است، سفری به قلب هوشیاری و ماهیت زندگی، که ما را به چالش می‌کشد تا دوباره تعریف کنیم که به معنای هوشیار بودن، زنده بودن و انسان بودن چیست.
بیشتر بخوانید: کتاب Hands-On Generative AI with Transformers and Diffusion Models
درباره کتاب Learn Generative AI with Pytorch
«یادگیری هوش مصنوعی مولد با PyTorch» با هدف راهنمایی شما در ایجاد انواع محتوا (شکل‌ها، اعداد، تصاویر، متن و موسیقی) از ابتدا است.
کتاب Learn Generative AI with Pytorch با مدل‌های ساده شروع می‌شود و به خوانندگان کمک می‌کند تا قبل از پیشرفت به چالش‌های پیچیده‌تر، مهارت‌های یادگیری عمیق بنیادی را بسازند.
تمام مدل‌های مولد در کتاب Learn Generative AI with Pytorch شبکه‌های عصبی عمیق هستند. این کتاب با یک پروژه جامع یادگیری عمیق در PyTorch شروع می‌شود که برای کسانی که تازه وارد این زمینه هستند، ایده‌آل است.
هر فصل از کتاب Learn Generative AI with Pytorch با دقت ساختار یافته است تا بر فصل قبلی بنا شود. ابتدا شما یاد خواهید گرفت که چگونه محتوای اولیه مانند اشکال، اعداد و تصاویر را با استفاده از شبکه‌های مولد متخاصم با معماری‌های ساده ایجاد کنید.
با پیشرفت، پیچیدگی افزایش می‌یابد و در نهایت به ساخت مدل‌های پیشرفته مانند ترانسفورماتورها و مدل‌های انتشار برای تولید تصاویر با وضوح بالا منجر می‌شود.
چه کسانی باید کتاب Learn Generative AI with Pytorch را بخوانند؟
«یادگیری هوش مصنوعی مولد با PyTorch» برای علاقه‌مندان به یادگیری ماشین و دانشمندان داده در زمینه‌های تجاری مختلف که دارای مهارت‌های برنامه‌نویسی پایتون در سطح متوسط هستند، طراحی شده است.
کتاب Learn Generative AI with Pytorch با هدف آموزش تکنیک‌های هوش مصنوعی مولد برای ایجاد محتوای جدید و خلاقانه مانند تصاویر، متن، الگوها، اعداد، اشکال و صدا برای ارتقای هر دو کسب و کار کارفرمایانشان و حرفه خودشان است.
در حالی که بسیاری از مواد آموزشی رایگان به صورت آنلاین در دسترس هستند که موضوعات فردی را پوشش می‌دهند، این کتاب همه چیز را در یک قالب واضح، آسان برای دنبال کردن و به‌روز خلاصه می‌کند و آن را به یک منبع ارزشمند برای هر کسی که آرزوی متخصص شدن در هوش مصنوعی مولد را دارد تبدیل می‌کند.
فرض بر این است که خوانندگان تسلط کاملی بر پایتون دارند. شما باید با انواع متغیرها، توابع و کلاس‌های پایتون و نصب کتابخانه‌ها و بسته‌های پایتون شخص ثالث آشنا باشید. اگر نیاز به تقویت این مهارت‌ها دارید، آموزش رایگان آنلاین پایتون که توسط W3Schools ارائه می‌شود، یک منبع عالی است (https://www.w3schools.com/python/).
همچنین باید درک اولیه‌ای از یادگیری ماشین، به ویژه شبکه‌های عصبی و یادگیری عمیق داشته باشید. در غیر این صورت، کتاب مناسبی برای این منظور « یادگیری عمیق با PyTorch » نوشته‌شده توسط استیونز، آنتیگا و ویمن (۲۰۲۰) است که توسط انتشارات Manning نیز منتشر شده است.
پیوست B کتاب Learn Generative AI with Pytorch مروری بر مفاهیم کلیدی مانند توابع زیان، توابع فعال‌سازی و بهینه‌سازها ارائه می‌دهد که برای توسعه و آموزش شبکه‌های عصبی عمیق ضروری هستند. با این حال، این پیوست قرار نیست یک آموزش جامع در مورد این موضوعات باشد.
کتاب Learn Generative AI with Pytorch چگونه سازماندهی شده است: یک نقشه راه
این کتاب دارای ۱۶ فصل است که در چهار بخش سازماندهی شده است.
بخش اول شما را با هوش مصنوعی مولد و یادگیری عمیق با PyTorch آشنا می‌کند.
فصل ۱ توضیح می‌دهد که هوش مصنوعی مولد چیست و دلیل انتخاب PyTorch نسبت به سایر چارچوب‌های هوش مصنوعی مانند TensorFlow برای ساخت مدل‌های مولد در کتاب Learn Generative AI with Pytorch است.
فصل ۲ از PyTorch برای ایجاد شبکه‌های عصبی عمیق برای انجام طبقه‌بندی‌های دودویی و چند دسته‌ای استفاده می‌کند تا شما در زمینه یادگیری عمیق و وظایف طبقه‌بندی مهارت پیدا کنید. هدف این است که شما را برای فصل‌های آینده آماده کند، جایی که از شبکه‌های عصبی عمیق در PyTorch برای ایجاد انواع مدل‌های مولد استفاده می‌کنید.
فصل ۳ شما را با شبکه‌های مولد متخاصم (GAN) آشنا می‌کند. شما یاد می‌گیرید که از GAN برای تولید اشکال و توالی اعداد با الگوهای خاص استفاده کنید.
بخش دوم کتاب Learn Generative AI with Pytorch شامل تولید تصویر است.
فصل ۴ نحوه ساخت و آموزش GANها برای تولید تصاویر رنگی با وضوح بالا را توضیح می‌دهد. به طور خاص، شما یاد خواهید گرفت که از شبکه‌های عصبی کانولوشنال برای گرفتن ویژگی‌های فضایی در تصاویر استفاده کنید. همچنین یاد خواهید گرفت که از لایه‌های کانولوشنالی جابه‌جا شده برای نمونه‌برداری بالا و ایجاد نقشه‌های ویژگی با وضوح بالا در تصاویر استفاده کنید.
فصل ۵ دو روش برای انتخاب ویژگی‌ها در تصاویر تولید شده را شرح می‌دهد. روش اول شامل انتخاب بردارهای خاص در فضای نه
فصل ۵ دو روش برای انتخاب ویژگی‌ها در تصاویر تولید شده را شرح می‌دهد. روش اول شامل انتخاب بردارهای خاص در فضای نهان است. روش دوم از یک GAN شرطی استفاده می‌کند، جایی که شما یک GAN را با داده‌های برچسب‌گذاری شده می‌سازید و آموزش می‌دهید.
فصل ۶ به شما آموزش می‌دهد که چگونه از یک CycleGAN برای ترجمه تصاویر بین دو حوزه مانند تصاویر با موهای سیاه و تصاویر با موهای بلوند یا تصاویر اسب و تصاویر گورخر استفاده کنید.
فصل ۷ توضیح می‌دهد که چگونه از مدل مولد دیگری برای تولید تصاویر با وضوح بالا استفاده کنید: خودرمزگذارها و نوعی از آن‌ها، خودرمزگذارهای تغییری.
بخش سوم کتاب Learn Generative AI with Pytorch به پردازش زبان طبیعی و تولید متن می‌پردازد.
فصل ۸ تولید متن با یک شبکه عصبی بازگشتی را مورد بحث قرار می‌دهد. در طول مسیر، شما یاد می‌گیرید که توکن‌سازی و جاسازی کلمات چگونه کار می‌کنند. همچنین یاد خواهید گرفت که چگونه با استفاده از مدل آموزش‌دیده، متن را به صورت خودرگرسیو تولید کنید و چگونه از نمونه‌برداری دما و نمونه‌برداری بالا-K برای کنترل خلاقیت متن تولید شده استفاده کنید.
فصل ۹ یک ترانسفورماتور را از ابتدا، بر اساس مقاله «توجه همه چیزی است که شما نیاز دارید»، برای ترجمه بین هر دو زبان می‌سازد. شما مکانیزم توجه چندسر و یک ترانسفورماتور رمزگذار-رمزگشا را خط به خط پیاده‌سازی خواهید کرد.
فصل ۱۰ ترانسفورماتور ساخته‌شده در فصل ۹ را با بیش از ۴۷۰۰۰ جفت ترجمه انگلیسی به فرانسوی آموزش می‌دهد. شما یاد خواهید گرفت که عبارات رایج انگلیسی را با مدل آموزش‌دیده به فرانسوی ترجمه کنید.
فصل ۱۱ GPT-2XL، بزرگ‌ترین نسخه GPT-2، را از ابتدا می‌سازد. پس از آن، شما یاد خواهید گرفت که چگونه وزن‌های از پیش آموزش‌دیده را از Hugging Face استخراج کرده و آن‌ها را به مدل GPT-2 خود بارگیری کنید تا متن تولید کنید.
فصل ۱۲ یک نسخه کوچک‌شده از مدل GPT با تقریباً ۵ میلیون پارامتر می‌سازد تا بتوانید آن را روی یک کامپیوتر معمولی آموزش دهید. شما از سه رمان ارنست همینگوی به عنوان داده‌های آموزشی استفاده خواهید کرد. مدل آموزش‌دیده می‌تواند متنی به سبک همینگوی تولید کند.
بخش چهارم کتاب Learn Generative AI with Pytorch برخی از کاربردهای عملی مدل‌های مولد در کتاب و آخرین پیشرفت‌ها در زمینه هوش مصنوعی مولد را مورد بحث قرار می‌دهد.
فصل ۱۳ یک MuseGAN را برای تولید موسیقی می‌سازد و آموزش می‌دهد. MuseGAN یک قطعه موسیقی را مانند یک شی چند بعدی شبیه به یک تصویر در نظر می‌گیرد. مولد یک قطعه موسیقی کامل تولید می‌کند و آن را برای ارزیابی به منتقد ارائه می‌دهد. سپس مولد موسیقی را بر اساس بازخورد منتقد اصلاح می‌کند تا شباهت زیادی به موسیقی واقعی از مجموعه داده آموزشی داشته باشد.
فصل ۱۴ رویکرد متفاوتی به خلق موسیقی هوش مصنوعی دارد. به جای اینکه یک قطعه موسیقی را به عنوان یک شی چند بعدی در نظر بگیرید، آن را به عنوان یک دنباله از رویدادهای موسیقیایی در نظر می‌گیرید. سپس تکنیک‌های تولید متن را برای پیش‌بینی عنصر بعدی در یک دنباله اعمال خواهید کرد.
فصل ۱۵ شما را با مدل‌های انتشار آشنا می‌کند که پایه و اساس همه ترانسفورماتورهای پیشرو متن به تصویر (مانند DALL-E 2 یا Imagen) هستند. شما یک مدل انتشار را برای تولید تصاویر گل با وضوح بالا خواهید ساخت و آموزش خواهید داد.
فصل ۱۶ کتاب Learn Generative AI with Pytorch را با پروژه‌ای به پایان می‌رساند که در آن از کتابخانه LangChain برای ترکیب مدل‌های زبانی بزرگ از پیش آموزش‌دیده با APIهای Wolfram Alpha و ویکی‌پدیا برای ایجاد یک دستیار شخصی همه چیزدان صفر شات استفاده می‌کنید.
پیوست الف کتاب Learn Generative AI with Pytorch نحوه نصب PyTorch بر روی رایانه شما را با یا بدون پردازنده گرافیکی با معماری واحد دستگاه محاسباتی فعال‌شده، مورد بحث قرار می‌دهد.
پیوست ب کتاب Learn Generative AI with Pytorch اطلاعاتی در مورد پیش‌زمینه مورد نیاز شما برای ادامه پروژه‌ها در این کتاب و برخی از مفاهیم اساسی در یادگیری عمیق مانند توابع زیان، توابع فعال‌سازی و بهینه‌سازها را ارائه می‌دهد.
سرفصل‌های کتاب Learn Generative AI with Pytorch:
- Learn Generative Al with PyTorch
- contents
- foreword
- preface
- acknowledgments
- about this book
- Who should read this book?
- How this book is organized: a roadmap
- About the code
- liveBook discussion forum
- about the author
- about the cover illustration
- Part 1
- 1 What is generative Al and why PyTorch?
- 2 Deep learning with PyTorch
- 3 Generative adversarial networks: Shape and number generation
- Part 2
- 4 Image generation with generative adversarial networks
- 5 Selecting characteristics in generated images
- 6 CycleGAN: Converting blond hair to black hair
- 7 Image generation with variational autoencoders
- Part 3
- 8 Text generation with recurrent neural networks
- 9 A line-by-line implementation of
- 10 Training a Transformer to translate English to French
- 11 Building a generative pretrained Transformer
- 12 Training a Transformer to generate text
- Part 4
- 13 Music generation with MuseGAN
- 14 Building and training a music Transformer
- 15 Diffusion models and text-to-image Transformers
- 16 Pretrained large language models and the LangChain library
- Appendix A Installing Python, Jupyter Notebook, and PyTorch
- Appendix B Minimally qualified readers and deep learning basics
- index
جهت دانلود کتاب Learn Generative AI with Pytorch می‌توانید پس از پرداخت، دریافت کنید.
دیدگاهها
هیچ دیدگاهی برای این محصول نوشته نشده است.