book

Programación de PyTorch para Aprendizaje Profundo

by Ian Pointer

October 2024

Intermediate to advanced

220 pages

6h 5m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

El aprendizaje profundo en el mundo actualPero, ¿qué es exactamente el aprendizaje profundo y necesito un doctorado para entenderlo?PyTorch¿Qué pasa con TensorFlow?Convenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientos
Construir una máquina de aprendizaje profundo personalizadaGPUCPU/Tarjeta madreRAMAlmacenamientoAprendizaje profundo en la nubeColaboratorio GoogleProveedores de la nube¿Qué proveedor de la nube debo utilizar?Utilizar Jupyter NotebookInstalar PyTorch desde ceroDescargar CUDAAnacondaPor fin, ¡PyTorch! (y Jupyter Notebook)TensoresOperaciones tensorialesDifusión tensorialConclusiónOtras lecturas
Nuestro problema de clasificaciónDesafíos tradicionalesPero primero, los datosPyTorch y los cargadores de datosConstruir un conjunto de datos de entrenamientoConstruir conjuntos de datos de validación y pruebaPor fin, ¡una Red Neuronal!Funciones de activaciónCrear una redFunciones de pérdidaOptimizandoFormaciónHacer que funcione en la GPUPonerlo todo juntoHacer prediccionesModelo de ahorroConclusiónOtras lecturas
Nuestro primer modelo convolucionalConvolucionesPuesta en comúnAbandonoHistoria de las arquitecturas CNNAlexNetInception/GoogLeNetVGGResNet¡Hay otras arquitecturas disponibles!Uso de modelos preentrenados en PyTorchExaminar la estructura de un modeloBatchNorm¿Qué modelo debes utilizar?Ventanilla única para modelos: PyTorch HubConclusiónOtras lecturas
Aprendizaje por transferencia con ResNetEncontrar ese ritmo de aprendizajeTasas de aprendizaje diferencialesAumento de datosAntorcha de Visión TransformaEspacios de color y transformadas lambdaClases de transformación personalizadasEmpieza poco a poco y creceConjuntosConclusiónOtras lecturas
Redes neuronales recurrentesRedes de memoria a largo plazoUnidades Recurrentes CerradasbiLSTMIncrustacionesantorchatextoObteniendo nuestros datos: ¡Tweets!Definición de camposConstruir un vocabularioCrear nuestro modeloActualizar el bucle de entrenamientoClasificar los TweetsAumento de datosInserción aleatoriaBorrado aleatorioIntercambio aleatorioVolver TraducciónAumento y torchtext¿Aprendizaje por transferencia?ConclusiónOtras lecturas
SonidoEl conjunto de datos ESC-50Obtención del conjunto de datosReproducir audio en JupyterExplorando la ESC-50SoX y LibROSAtorchaudioConstruir un conjunto de datos ESC-50Un modelo CNN para la ESC-50Esta Frecuencia Es Mi UniversoEspectrogramas MelUn nuevo conjunto de datosAparece una ResNet salvajeEncontrar una tasa de aprendizajeAumento de datos de audioTransformadas de torchaudioCadenas de efectos SoXSpecAugmentOtros experimentosConclusiónOtras lecturas
Son las 3 de la mañana. ¿Qué están haciendo tus datos?TensorBoardInstalación de TensorBoardEnvío de datos a TensorBoardGanchos PyTorchTrazar la media y la desviación típicaMapeo de activación de clasesGráficos de llamaInstalar py-spyLectura de gráficos de llamaArreglar una transformación lentaDepuración de problemas de la GPUComprobación de la GPUPunto de control de gradienteConclusiónOtras lecturas
Modelo de servicioCrear un servicio FlaskConfigurar los parámetros del modeloConstruir el contenedor DockerAlmacenamiento local frente a almacenamiento en la nubeRegistro y telemetríaImplementación en KubernetesConfiguración en Google Kubernetes EngineCrear un clúster k8sServicios de escaladoActualizaciones y limpiezaTorchScriptRastreandoScriptingLimitaciones de TorchScriptTrabajar con libTorchObtención de libTorch y Hello WorldImportar un modelo TorchScriptConclusiónOtras lecturas
Aumento de datos: Mixtos y SuavizadosconfusiónSuavizado de etiquetasOrdenador, ¡mejora!Introducción a la SuperresoluciónIntroducción a las GANEl falsificador y el críticoEntrenar un GANLos peligros del colapso del modoESRGANMás aventuras en la detección de imágenesDetección de objetosR-CNN más rápida y R-CNN de máscaraMuestras AdversarialesAtaques de caja negraDefensa contra ataques adversariosMás de lo que parece: La arquitectura del TransformadorPrestar atenciónAtención es todo lo que necesitasBERTFastBERTGPT-2Generar texto con GPT-2ULMFiT¿Qué utilizar?ConclusiónOtras lecturas

Content preview from Programación de PyTorch para Aprendizaje Profundo

Capítulo 3. Redes neuronales convolucionales

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Después de experimentar con las redes neuronales totalmente conectadas del Capítulo 2, probablemente te diste cuenta de algunas cosas. Si intentabas añadir más capas o aumentar enormemente el número de parámetros, casi seguro que te quedabas sin memoria en la GPU. Además, se tardaba un tiempo en entrenar hasta alcanzar algo parecido a una precisión decente, e incluso eso no era mucho de lo que alardear, sobre todo teniendo en cuenta la exageración que rodea al aprendizaje profundo. ¿Qué es lo que ocurre?

Es cierto que una red totalmente conectada o(feed-forward) puede funcionar como un aproximador universal, pero la teoría no dice cuánto tiempo tardarás en entrenarla para que se convierta en esa aproximación a la función que realmente buscas. Pero podemos hacerlo mejor, sobre todo con imágenes. En este capítulo, aprenderás sobre las redes neuronales conv olucionales (CNN) y cómo forman la columna vertebral de los clasificadores de imágenes más precisos que existen en la actualidad (de paso, veremos un par de ellos con cierto detalle). Construimos una nueva arquitectura basada en convolucionales para nuestra aplicación de pez contra gato y demostramos que es más rápida de entrenar y más precisa que lo que hacíamos en el capítulo anterior. ¡Empecemos!