Глубокое обучение: легкая разработка проектов на Python E-Book

Сет Вейдман

• Herausgeber: Питер
• Kategorie: Wissenschaft und neue Technologien
• Sprache: Russisch

Seitenzahl: 253

Veröffentlichungsjahr: 2024

Beschreibung

Взрывной интерес к нейронным сетям и искусственному интеллекту затронул уже все области жизни, и понимание принципов глубокого обучения необходимо каждому разработчику ПО для решения прикладных задач. Эта практическая книга представляет собой вводный курс для всех, кто занимается обработкой данных, а также для разработчиков ПО. Вы начнете с основ глубокого обучения и быстро перейдете к более сложным архитектурам, создавая проекты с нуля. Вы научитесь использовать многослойные, сверточные и рекуррентные нейронные сети. Только понимая принцип их работы (от «математики» до концепций), вы сделаете свои проекты успешными. В этой книге: - Четкие схемы, помогающие разобраться в нейросетях, и примеры рабочего кода. - Методы реализации многослойных сетей с нуля на базе простой объектно-ориентированной структуры. - Примеры и доступные объяснения сверточных и рекуррентных нейронных сетей. - Реализация концепций нейросетей с помощью популярного фреймворка PyTorch.

Leseprobe

Сет Вейдман

Глубокое обучение: легкая разработка проектов на Python

Переводчики И. Рузмайкина, С. Черников

Технический редактор М. Петруненко

Литературный редактор А. Руденко

Художник В. Мостипан

Корректоры М. Молчанова (Котова), М. Одинокова

Верстка Е. Неволайнен

Сет Вейдман

Глубокое обучение: легкая разработка проектов на Python. — СПб.: Питер, 2021.

ISBN 978-5-4461-1675-1

© ООО Издательство "Питер", 2021

Все права защищены. Никакая часть данной книги не может быть воспроизведена в какой бы то ни было форме без письменного разрешения владельцев авторских прав.

Оглавление

Предисловие

Для понимания нейронных сетей нужно несколько мысленных моделей

Структура книги

Условные обозначения

Использование примеров кода

Благодарности

От издательства

Глава 1. Математическая база

Функции

Производные

Вложенные функции

Цепное правило

Более длинная цепочка

Функции нескольких переменных

Производные функций нескольких переменных

Функции нескольких переменных с векторными аргументами

Создание новых признаков из уже существующих

Производные функции нескольких векторных переменных

Производные векторных функций: продолжение

Вычислительный граф для двух матриц

Самое интересное: обратный проход

Заключение

Глава 2. Основы глубокого обучения

Обучение с учителем

Алгоритмы обучения с учителем

Линейная регрессия

Обучение модели

Оценка точности модели

Код

Основы нейронных сетей

Обучение и оценка нейронной сети

Заключение

Глава 3. Основы глубокого обучения

Определение глубокого обучения: первый проход

Строительные блоки нейросети: операции

Строительные блоки нейросети: слои

Блочное строительство

Класс NeuralNetwork и, возможно, другие

Глубокое обучение с чистого листа

Trainer и Optimizer

Собираем все вместе

Заключение и следующие шаги

Глава 4. Расширения

Немного о понимании нейронных сетей

Многопеременная логистическая функция активации с перекрестно-энтропийными потерями

Эксперименты

Импульс

Скорость обучения

Инициализация весов

Исключение, или дропаут

Заключение

Глава 5. Сверточная нейронная сеть

Нейронные сети и обучение представлениям

Слои свертки

Реализация операции многоканальной свертки

Свертка: обратный проход

Использование операции для обучения CNN

Заключение

Глава 6. Рекуррентные нейронные сети

Ключевое ограничение: работа с ветвлениями

Автоматическое дифференцирование

Актуальность рекуррентных нейронных сетей

Введение в рекуррентные нейронные сети

RNN: код

Заключение

Глава 7. Библиотека PyTorch

Класс PyTorch Tensor

Глубокое обучение с PyTorch

Сверточные нейронные сети в PyTorch

P. S. Обучение без учителя через автокодировщик

Заключение

Приложение A. Глубокое погружение

Цепное правило

Градиент потерь с учетом смещения

Свертка с помощью умножения матриц

Об авторе

Об обложке