PyTorch für Deep Learning. Ian Pointer

klassifizieren

       Datenaugmentation

       Zufälliges Einfügen

       Zufälliges Löschen

       Zufälliges Austauschen

       Rückübersetzung

       Datenaugmentation und Torchtext

       Transfer Learning?

       Zusammenfassung

       Weiterführende Literatur

       6Eine Reise in die Welt der Klänge

       Töne

       Der ESC-50-Datensatz

       Den Datensatz beschaffen

       Audiowiedergabe in Jupyter

       Den ESC-50-Datensatz erkunden

       SoX und LibROSA

       torchaudio

       Einrichten eines eigenen ESC-50-Datensatzes

       Ein CNN-Modell für den ESC-50-Datensatz

       Frequenzbereich

       Mel-Spektrogramme

       Ein neuer Datensatz

       Ein vortrainiertes ResNet-Modell

       Lernrate finden

       Datenaugmentation für Audiodaten

       Transformationen mit torchaudio

       SoX-Effektketten

       SpecAugment

       Weitere Experimente

       Zusammenfassung

       Weiterführende Literatur

       7PyTorch-Modelle debuggen

       3 Uhr morgens. Wie steht es um Ihre Daten?

       TensorBoard

       TensorBoard installieren

       Daten an TensorBoard übermitteln

       Hooks in PyTorch

       Mittelwert und Standardabweichung visualisieren

       Class Activation Mapping

       Flammendiagramme

       py-spy installieren

       Flammendiagramme interpretieren

       Eine langsame Transformation beheben

       Debuggen von GPU-Problemen

       Die GPU überwachen

       Gradient-Checkpointing

       Zusammenfassung

       Weiterführende Literatur

       8PyTorch im Produktiveinsatz

       Bereitstellen eines Modells

       Einrichten eines Flask-Webdiensts

       Modellparameter laden

       Erstellen eines Docker-Containers

       Unterschiede zwischen lokalem und Cloud-Speicher

       Logging und Telemetrie

       Deployment mit Kubernetes

       Einrichten der Google Kubernetes Engine

       Aufsetzen eines Kubernetes-Clusters