|
|
|
|
LEADER |
02420nmm a2200409 u 4500 |
001 |
EB002009042 |
003 |
EBX01000000000000001171942 |
005 |
00000000000000.0 |
007 |
cr||||||||||||||||||||| |
008 |
220121 ||| ger |
050 |
|
4 |
|a QA76.87
|
100 |
1 |
|
|a Papa, Joe
|
130 |
0 |
|
|a PyTorch pocket reference
|
245 |
0 |
0 |
|a PyTorch kompakt
|b Syntax, Design Patterns und Codebeispiele für Deep-Learning-Modelle
|c Joe Papa
|
250 |
|
|
|a 1. Auflage
|
260 |
|
|
|a Heidelberg
|b dpunkt
|c 2022
|
300 |
|
|
|a 238 pages
|
653 |
|
|
|a Réseaux neuronaux (Informatique)
|
653 |
|
|
|a Neural networks (Computer science) / fast
|
653 |
|
|
|a Machine learning / http://id.loc.gov/authorities/subjects/sh85079324
|
653 |
|
|
|a Python (Computer program language) / fast
|
653 |
|
|
|a Python (Computer program language) / http://id.loc.gov/authorities/subjects/sh96008834
|
653 |
|
|
|a Neural Networks, Computer
|
653 |
|
|
|a Neural networks (Computer science) / http://id.loc.gov/authorities/subjects/sh90001937
|
653 |
|
|
|a Machine learning / fast
|
653 |
|
|
|a Apprentissage automatique
|
653 |
|
|
|a Python (Langage de programmation)
|
653 |
|
|
|a Machine Learning
|
041 |
0 |
7 |
|a ger
|2 ISO 639-2
|
989 |
|
|
|b OREILLY
|a O'Reilly
|
500 |
|
|
|a Includes index
|
776 |
|
|
|z 9783960091851
|
856 |
4 |
0 |
|u https://learning.oreilly.com/library/view/~/9781098130282/?ar
|x Verlag
|3 Volltext
|
082 |
0 |
|
|a 331
|
082 |
0 |
|
|a 500
|
082 |
0 |
|
|a 006.3/2
|
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
|