PyTorch kompakt: Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Weitere beteiligte Personen: | |
| Format: | Buch |
| Sprache: | Deutsch Englisch |
| Veröffentlicht: |
Heidelberg
O'Reilly
[2022]
|
| Ausgabe: | 1. Auflage |
| Schlagwörter: | |
| Links: | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |
| Umfang: | 235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| ISBN: | 9783960091851 |
Internformat
MARC
| LEADER | 00000nam a22000008c 4500 | ||
|---|---|---|---|
| 001 | BV047633184 | ||
| 003 | DE-604 | ||
| 005 | 20220701 | ||
| 007 | t| | ||
| 008 | 211209s2022 gw a||| |||| 00||| ger d | ||
| 016 | 7 | |a 1241130442 |2 DE-101 | |
| 020 | |a 9783960091851 |c kart. : EUR 29.90 (DE), EUR 30.80 (AT) |9 978-3-96009-185-1 | ||
| 035 | |a (OCoLC)1268935900 | ||
| 035 | |a (DE-599)DNB1241130442 | ||
| 040 | |a DE-604 |b ger |e rda | ||
| 041 | 1 | |a ger |h eng | |
| 044 | |a gw |c XA-DE-BW | ||
| 049 | |a DE-860 |a DE-739 |a DE-1043 |a DE-29T |a DE-1102 |a DE-11 |a DE-Aug4 | ||
| 082 | 0 | |a 006.31 |2 23/ger | |
| 082 | 0 | |a 005.133 |2 23/ger | |
| 084 | |a ST 302 |0 (DE-625)143652: |2 rvk | ||
| 084 | |a ST 300 |0 (DE-625)143650: |2 rvk | ||
| 084 | |a ST 250 |0 (DE-625)143626: |2 rvk | ||
| 100 | 1 | |a Papa, Joe |e Verfasser |0 (DE-588)1250286557 |4 aut | |
| 240 | 1 | 0 | |a PyTorch pocket reference |
| 245 | 1 | 0 | |a PyTorch kompakt |b Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle |c Joe Papa ; deutsche Übersetzung Frank Langenau |
| 250 | |a 1. Auflage | ||
| 264 | 1 | |a Heidelberg |b O'Reilly |c [2022] | |
| 264 | 4 | |c ©2022 | |
| 300 | |a 235 Seiten |b Illustrationen, Diagramme |c 24 cm x 16.5 cm | ||
| 336 | |b txt |2 rdacontent | ||
| 337 | |b n |2 rdamedia | ||
| 338 | |b nc |2 rdacarrier | ||
| 650 | 0 | 7 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Deep Learning |0 (DE-588)1135597375 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a PyTorch |0 (DE-588)1202487386 |2 gnd |9 rswk-swf |
| 650 | 0 | 7 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |2 gnd |9 rswk-swf |
| 653 | |a Neuronale Netze | ||
| 653 | |a Python | ||
| 653 | |a Machine Learning | ||
| 653 | |a Data Science | ||
| 653 | |a Algorithmen | ||
| 653 | |a KI | ||
| 653 | |a AI | ||
| 653 | |a Artificial Intelligence | ||
| 653 | |a Künstliche Intelligenz | ||
| 653 | |a Maschinelles Lernen | ||
| 653 | |a Unsupervised Learning | ||
| 653 | |a Supervised Learning | ||
| 653 | |a überwachtes Lernen | ||
| 653 | |a Neural Networks | ||
| 653 | |a PyTorch | ||
| 653 | |a Framework | ||
| 689 | 0 | 0 | |a Maschinelles Lernen |0 (DE-588)4193754-5 |D s |
| 689 | 0 | 1 | |a Deep Learning |0 (DE-588)1135597375 |D s |
| 689 | 0 | 2 | |a PyTorch |0 (DE-588)1202487386 |D s |
| 689 | 0 | 3 | |a Künstliche Intelligenz |0 (DE-588)4033447-8 |D s |
| 689 | 0 | |5 DE-604 | |
| 689 | 1 | 0 | |a PyTorch |0 (DE-588)1202487386 |D s |
| 689 | 1 | |5 DE-604 | |
| 700 | 1 | |a Langenau, Frank |0 (DE-588)123178002 |4 trl | |
| 775 | 0 | 8 | |i Parallele Sprachausgabe |z 9781492090007 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, PDF |z 978-3-96010-600-5 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, EPUB |z 978-3-96010-601-2 |
| 776 | 0 | 8 | |i Erscheint auch als |n Online-Ausgabe, MOBI |z 978-3-96010-602-9 |
| 856 | 4 | 2 | |m DNB Datenaustausch |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 856 | 4 | 2 | |m Digitalisierung UB Passau - ADAM Catalogue Enrichment |q application/pdf |u http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |3 Inhaltsverzeichnis |
| 943 | 1 | |a oai:aleph.bib-bvb.de:BVB01-033017525 | |
Datensatz im Suchindex
| _version_ | 1823932148631994368 |
|---|---|
| adam_text |
VORWORT
.
9
1
EINE
EINFUEHRUNG
IN
PYTORCH
.
15
WAS
IST
PYTORCH?
.
15
WARUM
PYTORCH
VERWENDEN?
.
16
ERSTE
SCHRITTE
.
18
AUSFUHREN
IN
GOOGLE
COLABORATORY
.
18
AUSFUHREN
AUF
EINEM
LOKALEN
COMPUTER
.
21
AUSFUEHREN
AUF
CLOUD-PLATTFORMEN
.
23
DIE
PYTORCH-UMGEBUNG
UEBERPRUEFEN
.
24
EIN
UNTERHALTSAMES
BEISPIEL
.
25
2
TENSOREN
.
31
WAS
IST
EIN
TENSOR?
.
31
EIN
EINFACHES
CPU-BEISPIEL
.
32
EIN
EINFACHES
GPU-BEISPIEL
.
33
TENSOREN
ZWISCHEN
CPUS
UND
GPUS
VERSCHIEBEN
.
33
TENSOREN
ERSTELLEN
.
34
TENSORATTRIBUTE
.
37
DATENTYPEN
.
37
TENSOREN
AUS
ZUFAELLIGEN
STICHPROBEN
ERSTELLEN
.
39
TENSOREN
WIE
ANDERE TENSOREN
ERSTELLEN
.
40
TENSOROPERATIONEN
.
40
TENSOREN
INDIZIEREN,
SLICEN,
KOMBINIEREN
UND
AUFTEILEN
.
41
TENSOROPERATIONEN
FUER
DIE
MATHEMATIK
.
44
AUTOMATISCHE
DIFFERENTIATION
(AUTOGRAD)
.
49
3
DEEP-LEARNING-ENTWICKLUNG
MIT
PYTORCH
.
51
DER
GESAMTPROZESS
.
51
DATENVORBEREITUNG
.
54
LADEN
VON
DATEN
.
54
DATENTRANSFORMATIONEN
.
57
DATEN
AUF
STAPEL
VERTEILEN
.
60
ALLGEMEINE
DATENVORBEREITUNG
(TORCH.UTILS.DATA)
.
61
MODELLENTWICKLUNG
.
64
MODELLENTWURF
.
64
TRAINING
.
76
VALIDIERUNG
.
82
TESTEN
.
85
MODELLBEREITSTELLUNG
(DEPLOYMENT)
.
86
MODELLE
SPEICHERN
.
86
IN
PYTORCH
HUB
BEREITSTELLEN
.
87
IN
DER
PRODUKTION
BEREITSTELLEN
.
88
4
REFERENZENTWUERFE
FUER
DIE
ENTWICKLUNG
NEURONALER
NETZE
.
89
BILDKLASSIFIZIERUNG
MIT
TRANSFER
LEARNING
.
90
DATENVERARBEITUNG
.
90
MODELLENTWURF
.
92
TRAINING
UND
VALIDIERUNG
.
93
TESTEN
UND
BEREITSTELLEN
.
95
STIMMUNGSANALYSE
MIT
TORCHTEXT
.
96
DATENVERARBEITUNG
.
96
MODELLENTWURF
.
100
TRAINING
UND
VALIDIERUNG
.
101
TESTEN
UND
BEREITSTELLEN
.
103
GENERATIVES
LERNEN
-
FASHION-MNIST-BILDER
MIT
DCGAN
GENERIEREN
.
105
DATENVERARBEITUNG
.
105
MODELLENTWURF
.
107
TRAINING
.
109
TESTEN
UND
BEREITSTELLEN
.
113
5
PYTORCH
ANPASSEN
.
115
BENUTZERDEFINIERTE
SCHICHTEN
UND
AKTIVIERUNGSFUNKTIONEN
.
115
BEISPIEL
FUER
EINE
BENUTZERDEFINIERTE
SCHICHT
(COMPLEXLINEAR)
.
117
BEISPIEL
FUER
EINE
BENUTZERDEFINIERTE
AKTIVIERUNGSFUNKTION
(COMPLEXRELU)
.
120
BENUTZERDEFINIERTE
MODELLARCHITEKTUREN
.
121
BENUTZERDEFINIERTE
VERLUSTFUNKTIONEN
.
123
BENUTZERDEFINIERTE
ALGORITHMEN
FUER
OPTIMIERER
.
125
BENUTZERDEFINIERTE
TRAININGS-,
VALIDIERUNGS
UND
TESTSCHLEIFEN
.
128
6
PYTORCH
BESCHLEUNIGEN
UND
OPTIMIEREN
.
131
PYTORCH
AUF
EINER
TPU
.
132
PYTORCH
AUF
MEHREREN
GPUS
(EINZELCOMPUTER)
.
134
DATENPARALLELVERARBEITUNG
.
135
MODELLPARALLELVERARBEITUNG
.
138
KOMBINIERTE
DATEN
UND
MODELLPARALLELVERARBEITUNG
.
140
VERTEILTES
TRAINING
(MEHRERE
COMPUTER)
.
142
MODELLOPTIMIERUNG
.
143
HYPERPARAMETER-TUNING
.
143
QUANTISIERUNG
.
149
PRUNING
.
152
7
PYTORCH
IN
DIE
PRODUKTION
UEBERFUEHREN
.
157
TOOLS
UND
BIBLIOTHEKEN
FUER
DIE
PYTORCH-BEREITSTELLUNG
.
158
GEMEINSAMES
BEISPIELMODELL
.
159
PYTHON-API
.
159
TORCHSCRIPT
.
160
TORCHSERVE
.
163
TORCHSERVE
UND
DAS
MODELLARCHIVIERUNGSTOOL
INSTALLIEREN
.
164
TORCHSERVE
STARTEN
.
166
ONNX
.
169
MOBILE
BIBLIOTHEKEN
.
171
EINE
FLASK-APP
BEREITSTELLEN
.
172
COLAB-FLASK-APP
.
175
BEREITSTELLEN
IN
DER
CLOUD
MIT
TORCHSERVE
.
176
SCHNELLER
START
MIT
DOCKER
.
177
BEREITSTELLEN
AUF
MOBILEN
UND
EDGE-GERAETEN
.
178
IOS
.
178
ANDROID
.
181
ANDERE
EDGE-GERAETE
.
183
8
DAS
PYTORCH-OEKOSYSTEM
UND
ZUSAETZLICHE
RESSOURCEN
.
187
DAS
PYTORCH-OEKOSYSTEM
.
188
TORCHVISION
FUER
BILD
UND
VIDEODATEN
.
194
DATENSAETZE
UND
EIN-/AUSGABE
.
194
MODELLE
.
196
TRANSFORMATIONEN,
OPERATIONEN
UND
UTILITYS
.
197
TORCHTEXT
FUER
NLP
.
202
EIN
DATENSATZOBJEKT
ERSTELLEN
.
203
DATEN
VORVERARBEITEN
.
203
EINEN
DATENLADER
FUER
DIE
STAPELVERARBEITUNG
ERSTELLEN
.
204
DATEN
(TORCHTEXT.DATA)
.
205
DATENSAETZE
(TORCHTEXT.DATASETS)
.
205
VOKABULARE
(TORCHTEXT.VOCAB)
.
207
TENSORBOARD
FUER
DIE
VISUALISIERUNG
.
208
LERNKURVEN
MIT
SCALARS
.
211
MODELLARCHITEKTUREN
MIT
GRAPHS
.
212
DATEN
MIT
IMAGES,
TEXT
UND
PROJECTOR
.
212
GEWICHTSVERTEILUNGEN
MIT
DISTRIBUTIONS
UND
H1STOGRAMS
.
213
HYPERPARAMETER
MIT
HPARAMS
.
214
DIE
T
ENSORBOARD-API
.
215
PAPERS
WITH
CODE
.
217
ZUSAETZLICHE
PYTORCH-RESSOURCEN
.
218
TUTORIALS
.
218
BUECHER
.
219
ONLINEKURSE
UND
LIVE-SCHULUNGEN
.
220
INDEX
.
223
Inhalt Vorwort. 9 1 Eine Einführung in PyTorch. Was ist PyTorch?. Warum PyTorch verwenden?. Erste Schritte. Ausführen in Google Colaboratory. Ausführen auf einem lokalen Computer. Ausführen auf Cloud-Plattformen. Die PyTorch-Umgebung überprüfen. Ein unterhaltsames Beispiel. 15 15 16 18 18 21 23 24 25 2 Tensoren. Was ist ein Tensor?. Ein einfaches CPU-Beispiel. Ein einfaches GPU-Beispiel. Tensoren zwischen CPUs und GPUs verschieben'. Tensoren erstellen. Tensorattribute.
Datentypen. Tensoren aus zufälligen Stichproben erstellen. Tensoren wie andere Tensoren erstellen. Tensoroperationen. Tensoren indizieren, sličen, kombinieren und aufteilen. Tensoroperationen für die Mathematik. Automatische Differentiation (Autograd). 31 31 32 33 33 34 37 37 39 40 40 41 44 49
3 4 5 б I Deep-Learning-Entwicklung mit Pyľorch. 51 Der Gesamtprozess. Datenvorbereitung. Laden von Daten. Datentransformationen. Daten auf Stapel verteilen. Allgemeine Datenvorbereitung (torch.utils.data). Modellentwicklung. Modellentwurf. Training. Validierung. Testen. Modellbereitstellung (Deployment). Modelle speichern. In PyTorch Hub bereitstellen. In der Produktion bereitstellen. 51 54 54 57 60 61 64 64 76 82 85 86 86 87 88 Referenzentwürfe für
die Entwicklung neuronaler Netze. 89 Bildklassifizierung mit Transfer Learning. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Stimmungsanalyse mit Torchtext. Datenverarbeitung. Modellentwurf. Training und Validierung. Testen und bereitstellen. Generatives Lernen ֊ Fashion-MNIST-Bilder mit DCGAN generieren. Datenverarbeitung. Modellentwurf. Training. Testen und bereitstellen. 90 90 92 93 95 96 96 100 101 103 105 105
107 109 113 PyTorch anpassen. 115 Benutzerdefinierte Schichten und Aktivierungsfunktionen. Beispiel für eine benutzerdefinierte Schicht (ComplexLinear). Beispiel für eine benutzerdefinierte Aktivierungsfunktion (ComplexReLU). 115 117 Inhalt 120
Benutzerdefinierte Modellarchitekturen. Benutzerdefinierte Verlustfunktionen. Benutzerdefinierte Algorithmen für Optimierer. Benutzerdefinierte Trainings-, Validierungs- und Testschleifen. 6 7 8 121 123 125 128 PyTorch beschleunigen und optimieren. 131 PyTorch auf einer TPU. PyTorch auf mehreren GPUs (Einzelcomputer). Datenparallelverarbeitung. Modellparallelverarbeitung. Kombinierte Daten- und Modellparallelverarbeitung. Verteiltes Training (mehrere Computer). Modelloptimierung. Hyperparameter-T uning. Quantisierung. Pruning. 132 134 135 138 140 142 143 143 149 152 PyTorch in die Produktion überführen. 157 Tools und Bibliotheken für die PyTorch-Bereitstellung. Gemeinsames
Beispielmodell. Python-API. TorchScript. TorchServe. TorchServe und das Modellarchivierungstool installieren. TorchServe starten. ONNX. Mobile Bibliotheken. Eine Flask-App bereitstellen. Colab-Flask-App. Bereitstellen in der Cloud mit TorchServe. Schneller Start mit Docker. Bereitstellen auf mobilen und Edge-Geräten. İOS. Android. Andere Edge-Geräte. 158 159 159 160 163 164 166 169 171 172 175 176 177 178 178 181 183
Das PyTorch-Ökosystem und zusätzliche Ressourcen. 187 Das PyTorch-Ökosystem. Torchvision für Bild- und Videodaten. Datensätze und Ein-/Ausgabe. Modelle. Transformationen, Operationen und Utilitys. 188 194 194 196 197 Inhalt I 7
Torchtext für NLP. Ein Datensatzobjekt erstellen. Daten vorverarbeiten. Einen Datenlader für die Stapelverarbeitung erstellen. Daten (torchtext.data). Datensätze (torchtext.datasets). Vokabulare (torchtext.vocab). TensorBoard für die Visualisierung. Lernkurven mit SCALARS. Modellarchitekturen mit GRAPHS. Daten mit IMAGES, TEXT und PROJECTOR. Gewichtsverteilungen mit DISTRIBUTIONS und HISTOGRAMS. Hyperparameter mit HPARAMS. Die TensorBoard-API. Papers with Code. Zusätzliche PyTorch-Ressourcen. Tutorials.
Bücher. Onlinekurse und Live-Schulungen. 213 214 215 217 218 218 219 220 Index. 223 8 I Inhalt 202 203 203 204 205 205 207 208 211 212 212 |
| any_adam_object | 1 |
| author | Papa, Joe |
| author2 | Langenau, Frank |
| author2_role | trl |
| author2_variant | f l fl |
| author_GND | (DE-588)1250286557 (DE-588)123178002 |
| author_facet | Papa, Joe Langenau, Frank |
| author_role | aut |
| author_sort | Papa, Joe |
| author_variant | j p jp |
| building | Verbundindex |
| bvnumber | BV047633184 |
| classification_rvk | ST 302 ST 300 ST 250 |
| ctrlnum | (OCoLC)1268935900 (DE-599)DNB1241130442 |
| dewey-full | 006.31 005.133 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods 005 - Computer programming, programs, data, security |
| dewey-raw | 006.31 005.133 |
| dewey-search | 006.31 005.133 |
| dewey-sort | 16.31 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 1. Auflage |
| format | Book |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>00000nam a22000008c 4500</leader><controlfield tag="001">BV047633184</controlfield><controlfield tag="003">DE-604</controlfield><controlfield tag="005">20220701</controlfield><controlfield tag="007">t|</controlfield><controlfield tag="008">211209s2022 gw a||| |||| 00||| ger d</controlfield><datafield tag="016" ind1="7" ind2=" "><subfield code="a">1241130442</subfield><subfield code="2">DE-101</subfield></datafield><datafield tag="020" ind1=" " ind2=" "><subfield code="a">9783960091851</subfield><subfield code="c">kart. : EUR 29.90 (DE), EUR 30.80 (AT)</subfield><subfield code="9">978-3-96009-185-1</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(OCoLC)1268935900</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)DNB1241130442</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-604</subfield><subfield code="b">ger</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1="1" ind2=" "><subfield code="a">ger</subfield><subfield code="h">eng</subfield></datafield><datafield tag="044" ind1=" " ind2=" "><subfield code="a">gw</subfield><subfield code="c">XA-DE-BW</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-860</subfield><subfield code="a">DE-739</subfield><subfield code="a">DE-1043</subfield><subfield code="a">DE-29T</subfield><subfield code="a">DE-1102</subfield><subfield code="a">DE-11</subfield><subfield code="a">DE-Aug4</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.31</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">005.133</subfield><subfield code="2">23/ger</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 302</subfield><subfield code="0">(DE-625)143652:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 300</subfield><subfield code="0">(DE-625)143650:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">ST 250</subfield><subfield code="0">(DE-625)143626:</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Papa, Joe</subfield><subfield code="e">Verfasser</subfield><subfield code="0">(DE-588)1250286557</subfield><subfield code="4">aut</subfield></datafield><datafield tag="240" ind1="1" ind2="0"><subfield code="a">PyTorch pocket reference</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">PyTorch kompakt</subfield><subfield code="b">Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle</subfield><subfield code="c">Joe Papa ; deutsche Übersetzung Frank Langenau</subfield></datafield><datafield tag="250" ind1=" " ind2=" "><subfield code="a">1. Auflage</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="a">Heidelberg</subfield><subfield code="b">O'Reilly</subfield><subfield code="c">[2022]</subfield></datafield><datafield tag="264" ind1=" " ind2="4"><subfield code="c">©2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">235 Seiten</subfield><subfield code="b">Illustrationen, Diagramme</subfield><subfield code="c">24 cm x 16.5 cm</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="650" ind1="0" ind2="7"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="2">gnd</subfield><subfield code="9">rswk-swf</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neuronale Netze</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Python</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Machine Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Data Science</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Algorithmen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">KI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">AI</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Artificial Intelligence</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Künstliche Intelligenz</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Maschinelles Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Unsupervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Supervised Learning</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">überwachtes Lernen</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Neural Networks</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">PyTorch</subfield></datafield><datafield tag="653" ind1=" " ind2=" "><subfield code="a">Framework</subfield></datafield><datafield tag="689" ind1="0" ind2="0"><subfield code="a">Maschinelles Lernen</subfield><subfield code="0">(DE-588)4193754-5</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="1"><subfield code="a">Deep Learning</subfield><subfield code="0">(DE-588)1135597375</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="2"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2="3"><subfield code="a">Künstliche Intelligenz</subfield><subfield code="0">(DE-588)4033447-8</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="0" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="689" ind1="1" ind2="0"><subfield code="a">PyTorch</subfield><subfield code="0">(DE-588)1202487386</subfield><subfield code="D">s</subfield></datafield><datafield tag="689" ind1="1" ind2=" "><subfield code="5">DE-604</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Langenau, Frank</subfield><subfield code="0">(DE-588)123178002</subfield><subfield code="4">trl</subfield></datafield><datafield tag="775" ind1="0" ind2="8"><subfield code="i">Parallele Sprachausgabe</subfield><subfield code="z">9781492090007</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, PDF</subfield><subfield code="z">978-3-96010-600-5</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, EPUB</subfield><subfield code="z">978-3-96010-601-2</subfield></datafield><datafield tag="776" ind1="0" ind2="8"><subfield code="i">Erscheint auch als</subfield><subfield code="n">Online-Ausgabe, MOBI</subfield><subfield code="z">978-3-96010-602-9</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">DNB Datenaustausch</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="856" ind1="4" ind2="2"><subfield code="m">Digitalisierung UB Passau - ADAM Catalogue Enrichment</subfield><subfield code="q">application/pdf</subfield><subfield code="u">http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA</subfield><subfield code="3">Inhaltsverzeichnis</subfield></datafield><datafield tag="943" ind1="1" ind2=" "><subfield code="a">oai:aleph.bib-bvb.de:BVB01-033017525</subfield></datafield></record></collection> |
| id | DE-604.BV047633184 |
| illustrated | Illustrated |
| indexdate | 2025-02-13T09:00:44Z |
| institution | BVB |
| isbn | 9783960091851 |
| language | German English |
| oai_aleph_id | oai:aleph.bib-bvb.de:BVB01-033017525 |
| oclc_num | 1268935900 |
| open_access_boolean | |
| owner | DE-860 DE-739 DE-1043 DE-29T DE-1102 DE-11 DE-Aug4 |
| owner_facet | DE-860 DE-739 DE-1043 DE-29T DE-1102 DE-11 DE-Aug4 |
| physical | 235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm |
| publishDate | 2022 |
| publishDateSearch | 2022 |
| publishDateSort | 2022 |
| publisher | O'Reilly |
| record_format | marc |
| spelling | Papa, Joe Verfasser (DE-588)1250286557 aut PyTorch pocket reference PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau 1. Auflage Heidelberg O'Reilly [2022] ©2022 235 Seiten Illustrationen, Diagramme 24 cm x 16.5 cm txt rdacontent n rdamedia nc rdacarrier Künstliche Intelligenz (DE-588)4033447-8 gnd rswk-swf Deep Learning (DE-588)1135597375 gnd rswk-swf PyTorch (DE-588)1202487386 gnd rswk-swf Maschinelles Lernen (DE-588)4193754-5 gnd rswk-swf Neuronale Netze Python Machine Learning Data Science Algorithmen KI AI Artificial Intelligence Künstliche Intelligenz Maschinelles Lernen Unsupervised Learning Supervised Learning überwachtes Lernen Neural Networks PyTorch Framework Maschinelles Lernen (DE-588)4193754-5 s Deep Learning (DE-588)1135597375 s PyTorch (DE-588)1202487386 s Künstliche Intelligenz (DE-588)4033447-8 s DE-604 Langenau, Frank (DE-588)123178002 trl Parallele Sprachausgabe 9781492090007 Erscheint auch als Online-Ausgabe, PDF 978-3-96010-600-5 Erscheint auch als Online-Ausgabe, EPUB 978-3-96010-601-2 Erscheint auch als Online-Ausgabe, MOBI 978-3-96010-602-9 DNB Datenaustausch application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis Digitalisierung UB Passau - ADAM Catalogue Enrichment application/pdf http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA Inhaltsverzeichnis |
| spellingShingle | Papa, Joe PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Künstliche Intelligenz (DE-588)4033447-8 gnd Deep Learning (DE-588)1135597375 gnd PyTorch (DE-588)1202487386 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| subject_GND | (DE-588)4033447-8 (DE-588)1135597375 (DE-588)1202487386 (DE-588)4193754-5 |
| title | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle |
| title_alt | PyTorch pocket reference |
| title_auth | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle |
| title_exact_search | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle |
| title_full | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau |
| title_fullStr | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau |
| title_full_unstemmed | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa ; deutsche Übersetzung Frank Langenau |
| title_short | PyTorch kompakt |
| title_sort | pytorch kompakt syntax design patterns und codebeispiele fur deep learning modelle |
| title_sub | Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle |
| topic | Künstliche Intelligenz (DE-588)4033447-8 gnd Deep Learning (DE-588)1135597375 gnd PyTorch (DE-588)1202487386 gnd Maschinelles Lernen (DE-588)4193754-5 gnd |
| topic_facet | Künstliche Intelligenz Deep Learning PyTorch Maschinelles Lernen |
| url | http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000001&line_number=0001&func_code=DB_RECORDS&service_type=MEDIA http://bvbr.bib-bvb.de:8991/F?func=service&doc_library=BVB01&local_base=BVB01&doc_number=033017525&sequence=000003&line_number=0002&func_code=DB_RECORDS&service_type=MEDIA |
| work_keys_str_mv | AT papajoe pytorchpocketreference AT langenaufrank pytorchpocketreference AT papajoe pytorchkompaktsyntaxdesignpatternsundcodebeispielefurdeeplearningmodelle AT langenaufrank pytorchkompaktsyntaxdesignpatternsundcodebeispielefurdeeplearningmodelle |