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 9. PyTorch en la naturaleza

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

En nuestro último capítulo, veremos cómo utilizan PyTorch otras personas y empresas. También aprenderás algunas técnicas nuevas, como cambiar el tamaño de las imágenes, generar texto y crear imágenes que puedan engañar a las redes neuronales. En un ligero cambio con respecto a capítulos anteriores, nos centraremos en cómo empezar a trabajar con las bibliotecas existentes, en lugar de empezar desde cero en PyTorch. Espero que esto sea un trampolín para seguir explorando.

Empecemos examinando algunos de los enfoques más recientes para exprimir al máximo tus datos.

Aumento de datos: Mixtos y Suavizados

Ya en el Capítulo 4, vimos varias formas de aumentar los datos para ayudar a reducir el sobreajuste del modelo en el conjunto de datos de entrenamiento. La capacidad de hacer más con menos datos es naturalmente un área de gran actividad en la investigación del aprendizaje profundo, y en esta sección veremos dos formas cada vez más populares de exprimir hasta la última gota de señal de tus datos. En ambos enfoques también cambiaremos la forma de calcular nuestra función de pérdida, por lo que será una buena prueba del bucle de entrenamiento más flexible que acabamos de crear.

confusión

La mezcla es una intrigante técnica de aumento que surge de considerar torcidamente lo que queremos que haga nuestro modelo. Nuestra interpretación ...