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 8. PyTorch en la producción

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

Ahora que has aprendido a utilizar PyTorch para clasificar imágenes, texto y sonido, el siguiente paso es ver cómo implementar aplicaciones PyTorch en producción. En este capítulo, creamos aplicaciones que ejecutan inferencia sobre modelos PyTorch a través de HTTP y gRPC. A continuación, empaquetamos esas aplicaciones en contenedores Docker y las implementamos en un clúster Kubernetes que se ejecuta en Google Cloud.

En la segunda parte, examinamos TorchScript, una nueva tecnología introducida en PyTorch 1.0 que nos permite utilizar el trazado justo a tiempo (JIT) para producir modelos optimizados que se pueden ejecutar desde C++. También echamos un breve vistazo a cómo comprimir modelos con cuantización. En primer lugar, veamos cómo servir modelos.

Modelo de servicio

Hemos pasado los últimos seis capítulos construyendo modelos en PyTorch, pero construir un modelo es sólo una parte de construir una aplicación de aprendizaje profundo. Después de todo, un modelo puede tener una precisión asombrosa (u otra métrica relevante), pero si nunca hace ninguna predicción, ¿tiene algún valor? Lo que queremos es una forma fácil de empaquetar nuestros modelos para que puedan responder a solicitudes (ya sea a través de la web o por otros medios, como veremos) y puedan ejecutarse en producción con el mínimo esfuerzo.

Afortunadamente, Python ...