Description
PyTorch-Programmierung professionell! Das meistbenutzte Deep-Learning-Framework in der Praxis: Lernen Sie für spezifische Aufgaben aus realen Projektszenarien, wie Sie mit PyTorch KI-Modelle trainieren, optimieren und produktiv einsetzen. Bert Gollnick zeigt Ihnen in diesem Buch alle einschlägigen Verfahren inklusive Python-Implementierung, von linearer Regression über große Sprachmodelle bis zur Kombination mehrerer Verfahren. Die Anwendungen beinhalten Computer Vision, RAG-Systeme, Zeitreihenanalysen und vieles mehr. Sie evaluieren und deployen Ihre Modelle mit modernsten Methoden und lernen dafür Tools wie FlowML, TensorBoard und FastAPI kennen.
Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.
- Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
- Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
- Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.
Aus dem Inhalt:
- Installation des Frameworks
- Deep-Learning-Grundkonzepte
- Vortrainierte Modelle verwenden
- Daten vorbereiten
- Klassifizierungsaufgaben
- Computer Vision
- Empfehlungssysteme
- Graph Neural Networks
- Große Sprachmodelle (LLMs)
- Zeitreihen-Vorhersagen
- PyTorch Lightning
- LangChain
- Cloud-Deployment mit Heroku
- FlowML, TensorBoard und WandB
- Lokaler Einsatz mit FastAPI
1. Vorwort ... 13
1.1 ... An wen richtet sich dieses Buch? ... 15
1.2 ... Voraussetzungen ... 15
1.3 ... Die Struktur des Buches ... 16
1.4 ... Wie Sie dieses Buch effektiv nutzen ... 16
1.5 ... Konventionen in diesem Buch ... 17
1.6 ... Der Code zum Herunterladen und weitere Materialien ... 18
1.7 ... Systemeinrichtung ... 18
1.8 ... Danksagung ... 25
2. Einführung in das Deep Learning ... 27
2.1 ... Was ist Deep Learning? ... 28
2.2 ... Wofür kann Deep Learning verwendet werden? ... 29
2.3 ... Wie funktioniert Deep Learning? ... 33
2.4 ... Historische Entwicklung ... 35
2.5 ... Perzeptron ... 36
2.6 ... Netzwerkaufbau und -schichten ... 37
2.7 ... Aktivierungsfunktionen ... 38
2.8 ... Verlustfunktion ... 41
2.9 ... Optimierer und Parameter-Update ... 43
2.10 ... Umgang mit Tensoren ... 45
2.11 ... Zusammenfassung ... 53
3. Unser erstes PyTorch-Modell ... 55
3.1 ... Datenvorbereitung ... 56
3.2 ... Modell-Erstellung ... 66
3.3 ... Modellklasse und Optimierer ... 74
3.4 ... Batches ... 78
3.5 ... Dataset und DataLoader ... 83
3.6 ... Modelle speichern und laden ... 88
3.7 ... Data Sampling ... 91
3.8 ... Zusammenfassung ... 100
4. Klassifizierungsmodelle ... 103
4.1 ... Klassifizierungstypen ... 104
4.2 ... Konfusionsmatrix ... 105
4.3 ... ROC-Kurve ... 108
4.4 ... Binäre Klassifizierung ... 110
4.5 ... Multi-Class-Klassifizierung ... 124
4.6 ... Zusammenfassung ... 137
5. Computer-Vision ... 139
5.1 ... Wie werden Bilder in Modellen behandelt? ... 141
5.2 ... Netzwerkarchitekturen ... 142
5.3 ... Bildklassifizierung ... 147
5.4 ... Objekterkennung ... 177
5.5 ... Semantische Segmentierung ... 193
5.6 ... Stiltransfer ... 204
5.7 ... Zusammenfassung ... 213
6. Empfehlungssysteme ... 215
6.1 ... Konzepte ... 215
6.2 ... Coding: Empfehlungssystem ... 218
6.3 ... Zusammenfassung ... 236
7. Autoencoder ... 237
