PyTorch kompakt: Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele -...
Gespeichert in:
| Beteilige Person: | |
|---|---|
| Format: | Elektronisch E-Book |
| Sprache: | Deutsch |
| Veröffentlicht: |
Heidelberg
dpunkt
2022
|
| Ausgabe: | 1. Auflage. |
| Schlagwörter: | |
| Links: | https://learning.oreilly.com/library/view/-/9781098130282/?ar |
| Zusammenfassung: | Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen. |
| Beschreibung: | Includes index. - Online resource; title from title details screen (O'Reilly, viewed February 10, 2022) |
| Umfang: | 1 Online-Ressource (238 Seiten) |
Internformat
MARC
| LEADER | 00000cam a22000002 4500 | ||
|---|---|---|---|
| 001 | ZDB-30-ORH-072486430 | ||
| 003 | DE-627-1 | ||
| 005 | 20240228121550.0 | ||
| 007 | cr uuu---uuuuu | ||
| 008 | 220112s2022 xx |||||o 00| ||ger c | ||
| 035 | |a (DE-627-1)072486430 | ||
| 035 | |a (DE-599)KEP072486430 | ||
| 035 | |a (ORHE)9781098130282 | ||
| 035 | |a (DE-627-1)072486430 | ||
| 040 | |a DE-627 |b ger |c DE-627 |e rda | ||
| 041 | |a ger | ||
| 082 | 0 | |a 006.3/2 |2 23 | |
| 100 | 1 | |a Papa, Joe |e VerfasserIn |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 |
| 250 | |a 1. Auflage. | ||
| 264 | 1 | |a Heidelberg |b dpunkt |c 2022 | |
| 300 | |a 1 Online-Ressource (238 Seiten) | ||
| 336 | |a Text |b txt |2 rdacontent | ||
| 337 | |a Computermedien |b c |2 rdamedia | ||
| 338 | |a Online-Ressource |b cr |2 rdacarrier | ||
| 500 | |a Includes index. - Online resource; title from title details screen (O'Reilly, viewed February 10, 2022) | ||
| 520 | |a Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen. | ||
| 650 | 0 | |a Python (Computer program language) | |
| 650 | 0 | |a Neural networks (Computer science) | |
| 650 | 0 | |a Machine learning | |
| 650 | 2 | |a Neural Networks, Computer | |
| 650 | 2 | |a Machine Learning | |
| 650 | 4 | |a Python (Langage de programmation) | |
| 650 | 4 | |a Réseaux neuronaux (Informatique) | |
| 650 | 4 | |a Apprentissage automatique | |
| 650 | 4 | |a Machine learning | |
| 650 | 4 | |a Neural networks (Computer science) | |
| 650 | 4 | |a Python (Computer program language) | |
| 966 | 4 | 0 | |l DE-91 |p ZDB-30-ORH |q TUM_PDA_ORH |u https://learning.oreilly.com/library/view/-/9781098130282/?ar |m X:ORHE |x Aggregator |z lizenzpflichtig |3 Volltext |
| 912 | |a ZDB-30-ORH | ||
| 912 | |a ZDB-30-ORH | ||
| 951 | |a BO | ||
| 912 | |a ZDB-30-ORH | ||
| 049 | |a DE-91 | ||
Datensatz im Suchindex
| DE-BY-TUM_katkey | ZDB-30-ORH-072486430 |
|---|---|
| _version_ | 1821494825766092800 |
| adam_text | |
| any_adam_object | |
| author | Papa, Joe |
| author_facet | Papa, Joe |
| author_role | aut |
| author_sort | Papa, Joe |
| author_variant | j p jp |
| building | Verbundindex |
| bvnumber | localTUM |
| collection | ZDB-30-ORH |
| ctrlnum | (DE-627-1)072486430 (DE-599)KEP072486430 (ORHE)9781098130282 |
| dewey-full | 006.3/2 |
| dewey-hundreds | 000 - Computer science, information, general works |
| dewey-ones | 006 - Special computer methods |
| dewey-raw | 006.3/2 |
| dewey-search | 006.3/2 |
| dewey-sort | 16.3 12 |
| dewey-tens | 000 - Computer science, information, general works |
| discipline | Informatik |
| edition | 1. Auflage. |
| format | Electronic eBook |
| fullrecord | <?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>02625cam a22004812 4500</leader><controlfield tag="001">ZDB-30-ORH-072486430</controlfield><controlfield tag="003">DE-627-1</controlfield><controlfield tag="005">20240228121550.0</controlfield><controlfield tag="007">cr uuu---uuuuu</controlfield><controlfield tag="008">220112s2022 xx |||||o 00| ||ger c</controlfield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)072486430</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-599)KEP072486430</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(ORHE)9781098130282</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627-1)072486430</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rda</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="082" ind1="0" ind2=" "><subfield code="a">006.3/2</subfield><subfield code="2">23</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Papa, Joe</subfield><subfield code="e">VerfasserIn</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</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">dpunkt</subfield><subfield code="c">2022</subfield></datafield><datafield tag="300" ind1=" " ind2=" "><subfield code="a">1 Online-Ressource (238 Seiten)</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">Computermedien</subfield><subfield code="b">c</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Online-Ressource</subfield><subfield code="b">cr</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">Includes index. - Online resource; title from title details screen (O'Reilly, viewed February 10, 2022)</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen.</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Python (Computer program language)</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Neural networks (Computer science)</subfield></datafield><datafield tag="650" ind1=" " ind2="0"><subfield code="a">Machine learning</subfield></datafield><datafield tag="650" ind1=" " ind2="2"><subfield code="a">Neural Networks, Computer</subfield></datafield><datafield tag="650" ind1=" " ind2="2"><subfield code="a">Machine Learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Python (Langage de programmation)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Réseaux neuronaux (Informatique)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Apprentissage automatique</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Neural networks (Computer science)</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Python (Computer program language)</subfield></datafield><datafield tag="966" ind1="4" ind2="0"><subfield code="l">DE-91</subfield><subfield code="p">ZDB-30-ORH</subfield><subfield code="q">TUM_PDA_ORH</subfield><subfield code="u">https://learning.oreilly.com/library/view/-/9781098130282/?ar</subfield><subfield code="m">X:ORHE</subfield><subfield code="x">Aggregator</subfield><subfield code="z">lizenzpflichtig</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">BO</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">ZDB-30-ORH</subfield></datafield><datafield tag="049" ind1=" " ind2=" "><subfield code="a">DE-91</subfield></datafield></record></collection> |
| id | ZDB-30-ORH-072486430 |
| illustrated | Not Illustrated |
| indexdate | 2025-01-17T11:20:32Z |
| institution | BVB |
| language | German |
| open_access_boolean | |
| owner | DE-91 DE-BY-TUM |
| owner_facet | DE-91 DE-BY-TUM |
| physical | 1 Online-Ressource (238 Seiten) |
| psigel | ZDB-30-ORH TUM_PDA_ORH ZDB-30-ORH |
| publishDate | 2022 |
| publishDateSearch | 2022 |
| publishDateSort | 2022 |
| publisher | dpunkt |
| record_format | marc |
| spelling | Papa, Joe VerfasserIn aut PyTorch pocket reference PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa 1. Auflage. Heidelberg dpunkt 2022 1 Online-Ressource (238 Seiten) Text txt rdacontent Computermedien c rdamedia Online-Ressource cr rdacarrier Includes index. - Online resource; title from title details screen (O'Reilly, viewed February 10, 2022) Mit diesem benutzerfreundlichen Nachschlagewerk zu PyTorch haben Sie kompaktes Wissen zu einem der beliebtesten Frameworks für Deep Learning immer zur Hand. Der Autor Joe Papa bietet Ihnen mit dieser Referenz den sofortigen Zugriff auf Syntax, Design Patterns und gut nachvollziehbare Codebeispiele - eine Fülle an gesammelten Informationen, die Ihre Entwicklungsarbeit beschleunigen und die Zeit minimieren, die Sie mit der Suche nach Details verbringen. Data Scientists, Softwareentwickler:innen und Machine Learning Engineers finden in diesem Buch klaren, strukturierten PyTorch-Code, der jeden Schritt der Entwicklung neuronaler Netze abdeckt - vom Laden der Daten über die Anpassung von Trainingsschleifen bis hin zur Modelloptimierung und GPU/TPU-Beschleunigung. Lernen Sie in kurzer Zeit, wie Sie Ihren Code mit AWS, Google Cloud oder Azure in der Produktivumgebung einsetzen und Ihre ML-Modelle auf mobilen und Edge-Geräten bereitstellen. Python (Computer program language) Neural networks (Computer science) Machine learning Neural Networks, Computer Machine Learning Python (Langage de programmation) Réseaux neuronaux (Informatique) Apprentissage automatique |
| spellingShingle | Papa, Joe PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Python (Computer program language) Neural networks (Computer science) Machine learning Neural Networks, Computer Machine Learning Python (Langage de programmation) Réseaux neuronaux (Informatique) Apprentissage automatique |
| 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 |
| title_fullStr | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa |
| title_full_unstemmed | PyTorch kompakt Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle Joe Papa |
| 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 | Python (Computer program language) Neural networks (Computer science) Machine learning Neural Networks, Computer Machine Learning Python (Langage de programmation) Réseaux neuronaux (Informatique) Apprentissage automatique |
| topic_facet | Python (Computer program language) Neural networks (Computer science) Machine learning Neural Networks, Computer Machine Learning Python (Langage de programmation) Réseaux neuronaux (Informatique) Apprentissage automatique |
| work_keys_str_mv | AT papajoe pytorchpocketreference AT papajoe pytorchkompaktsyntaxdesignpatternsundcodebeispielefurdeeplearningmodelle |