Книжная полка Сохранить
Размер шрифта:
А
А
А
|  Шрифт:
Arial
Times
|  Интервал:
Стандартный
Средний
Большой
|  Цвет сайта:
Ц
Ц
Ц
Ц
Ц

Глубокое обучение с TensorFlow, Keras и PyTorch

Покупка
Новинка
Артикул: 890835.01.99
Доступ онлайн
2 949 ₽
В корзину
Эта книга научит вас создавать современные модели глубокого обучения с помощью самых мощных и популярных фреймворков TensorFlow, Keras и PyTorch. Независимо от того, являетесь ли вы опытным специалистом в области машинного обучения или только начинаете свою карьеру, она снабдит вас инструментами и знаниями для решения сложных задач в области искусственного интеллекта. Издание адресовано специалистам по обработке данных, разработчикам, инженерам и энтузиастам ИИ, стремящимся развивать свои навыки и работать с самыми передовыми инструментами.
15
21
22
111
208
289
290
382
462
535
536
589
632
Глубокое обучение с TensorFlow, Keras и PyTorch : практическое руководство / пер. с англ. И. Л. Люско. – Москва : ДМК Пресс, 2025. - 704 с. – ISBN 978-5-93700-382-9. - Текст : электронный. - URL: https://znanium.ru/catalog/product/2275244 (дата обращения: 20.11.2026). – Режим доступа: по подписке.
Фрагмент текстового слоя документа размещен для индексирующих роботов
Глубокое обучение  
с TensorFlow, Keras и PyTorch


Deep Learning 
and AI Superhero
Mastering TensorFlow, Keras,  
and PyTorch


Глубокое обучение 
с TensorFlow, Keras 
и PyTorch
Стань Суперменом  
искусственного интеллекта
Москва, 2025


УДК	 004.823
ББК 16.6
Г55
Г55 	 Глубокое обучение с TensorFlow, Keras и PyTorch / пер. с англ. И. Д. Люско. – М.: ДМК Пресс, 2025. – 702 с.: ил. 
ISBN 978-5-93700-382-9
Эта книга научит вас создавать современные модели глубокого обучения с помощью самых мощных и популярных фреймворков TensorFlow, Keras и PyTorch. 
Независимо от того, являетесь ли вы опытным специалистом в области машинного 
обучения или только начинаете свою карьеру, она снабдит вас инструментами 
и знаниями для решения сложных задач в области искусственного интеллекта. 
Издание адресовано специалистам по обработке данных, разработчикам, 
инженерам и энтузиастам ИИ, стремящимся развивать свои навыки и работать 
с самыми передовыми инструментами.
УДК  004.823
ББК  16.6
All rights reserved. No part of this book may be reproduced, stored in a retrieval system, or 
transmitted in any form or by any means, without the prior written permission of the publisher, 
except in the case of brief quotations embedded in critical articles or reviews.
Все права защищены. Любая часть этой книги не может быть воспроизведена в какой бы то ни было форме и какими бы то ни было средствами без письменного разрешения 
владельцев авторских прав.
ISBN 979-8-89587-359-5 (англ.) 	
©  2025 Cuantum Technologies
ISBN 978-5-93700-382-9 (рус.) 	
©  Перевод, оформление, издание, 
ДМК Пресс, 2025


«Искусственный интеллект – это новое электричество».
– Эндрю Ын, соучредитель Coursera  
и адъюнкт-профессор Стэнфордского университета


Содержание
От издательства.......................................................................................................14
Кто мы.........................................................................................................................15
Введение ...................................................................................................................17
Часть I. НЕЙРОННЫЕ СЕТИ И ОСНОВЫ ГЛУБОКОГО  
ОБУЧЕНИЯ..............................................................................................................21
Глава 1. Введение в нейронные сети и глубокое обучение....................22
1.1. Перцептрон и многослойный перцептрон (MLP)...........................................23
1.1.1. Перцептрон...................................................................................................23
1.1.2. Ограничения перцептрона.........................................................................27
1.1.3. Многослойный перцептрон (MLP).............................................................28
1.1.4. Сила глубокого обучения............................................................................33
1.2. Обратное распространение ошибки, градиентный спуск 
и оптимизаторы..........................................................................................................35
1.2.1. Градиентный спуск......................................................................................36
1.2.2. Обратное распространение ошибки.........................................................46
1.2.3. Оптимизаторы в нейронных сетях............................................................48
1.3. Переобучение, недообучение и методы регуляризации...............................57
1.3.1. Переобучение................................................................................................58
1.3.2. Недообучение................................................................................................65
1.3.3. Техники регуляризации...................................................................................72
1.4. Функции потерь в глубоком обучении.............................................................86
1.4.1. Среднеквадратичная ошибка (MSE)..........................................................87
1.4.2. Бинарная кросс-энтропийная потеря (логарифмическая потеря).......90
1.4.3. Категориальная кросс-энтропийная потеря............................................94
1.4.4. Hinge Loss (петлевая функция потерь)......................................................98
1.4.5. Пользовательские функции потерь.........................................................101
Практические упражнения.....................................................................................104
Упражнение 1. Реализация простого перцептрона.........................................104
Упражнение 2. Обучение многослойного перцептрона (MLP)......................105
Упражнение 3. Градиентный спуск по квадратичной функции...................106
Упражнение 4. Обратное распространение с помощью MLP Scikit-learn......107
Упражнение 5. Применение регуляризации L2 (Ridge) к нейронной  
сети.........................................................................................................................107


Содержание    7
Упражнение 6. Реализация бинарной кросс-энтропийной функции 
потерь.....................................................................................................................108
Краткое содержание.................................................................................................109
Глава 2. Глубокое обучение с TensorFlow 2.x..............................................111
2.1. Введение в TensorFlow 2.x................................................................................111
2.1.1 Установка TensorFlow 2.x............................................................................118
2.1.2. Работа с тензорами в TensorFlow.............................................................119
2.1.3. Создание нейронных сетей с TensorFlow и Keras..................................130
2.1.4. Наборы данных TensorFlow и конвейеры данных.................................133
2.2. Создание, обучение и тонкая настройка нейронных сетей  
в TensorFlow...............................................................................................................137
2.2.1. Построение модели нейронной сети.......................................................138
2.2.2. Компиляция модели..................................................................................142
2.2.3. Обучение модели........................................................................................144
2.2.4. Оценка модели............................................................................................148
2.2.5. Тонкая настройка модели.........................................................................150
2.3. Использование TensorFlow Hub и Model Zoo для предобученных 
моделей......................................................................................................................163
2.3.1. Обзор TensorFlow Hub................................................................................163
2.3.2. Тонкая настройка предобученных моделей...........................................168
2.3.3. TensorFlow Model Zoo.................................................................................172
2.3.4. Трансферное обучение с предобученными моделями.........................177
2.3.5. Предобученные модели для обработки естественного языка  
(NLP).......................................................................................................................178
2.4. Сохранение, загрузка и развертывание моделей TensorFlow.....................182
2.4.1. Сохранение моделей TensorFlow..............................................................183
2.4.2. Загрузка моделей TensorFlow...................................................................190
2.4.3. Развертывание моделей TensorFlow........................................................196
Практические упражнения.....................................................................................202
Упражнение 1. Сохранение и загрузка модели TensorFlow...........................202
Упражнение 2. Сохранение и загрузка контрольных точек модели.............203
Упражнение 3. Развертывание модели TensorFlow с TensorFlow Serving....203
Упражнение 4. Преобразование модели в TensorFlow Lite............................204
Упражнение 5. Тонкая настройка предобученной модели из 
TensorFlow Hub......................................................................................................205
Краткое содержание.................................................................................................206
Глава 3. Глубокое обучение с Keras................................................................208
3.1. Введение в Keras API  в TensorFlow 2.x...........................................................208
3.1.1. Основные характеристики Keras API ......................................................209
3.1.2. Типы моделей Keras: последовательный и Functional API...................210
3.1.3. Компиляция и обучение модели..............................................................218
3.1.4. Оценка и тестирование модели...............................................................221


8    Содержание
3.2. Создание Sequential API и Functional API с помощью Keras.......................223
3.2.1. Создание моделей с помощью Sequential API.......................................224
3.2.2. Создание моделей с помощью Functional API.......................................231
3.3. Установка контрольных точек модели, ранняя остановка и обратные 
вызовы в Keras...........................................................................................................242
3.3.1. Сохранение контрольных точек модели в Keras....................................242
3.3.2. Ранняя остановка в Keras..........................................................................246
3.3.3. Использование нескольких обратных вызовов.....................................250
3.3.4. Пользовательские обратные вызовы в Keras.........................................253
3.4. Развертывание моделей Keras в производстве.............................................257
3.4.1. Сохранение и загрузка модели Keras.......................................................258
3.4.2. Развертывание моделей Keras с TensorFlow Serving.............................263
3.4.3. Развертывание моделей Keras с Flask (интеграция  
с веб-приложениями)..........................................................................................269
3.4.4. Развертывание моделей Keras на мобильных устройствах 
с помощью TensorFlow Lite.................................................................................275
Практические упражнения.....................................................................................278
Упражнение 1. Сохранение и загрузка модели Keras......................................278
Упражнение 2. Развертывание модели Keras с TensorFlow Serving..............279
Упражнение 3. Развертывание модели Keras с помощью Flask....................280
Упражнение 4. Конвертирование модели Keras в TensorFlow Lite................281
Упражнение 5. Использование контрольных точек модели и ранней 
остановки...............................................................................................................282
Краткое содержание.................................................................................................283
Тесты, часть I: нейронные сети и основы глубокого обучения.............285
Часть II. РАСШИРЕННЫЕ ФРЕЙМВОРКИ ГЛУБОКОГО 
ОБУЧЕНИЯ............................................................................................................289
Глава 4. Глубокое обучение с PyTorch............................................................290
4.1. Введение в PyTorch и его динамические вычислительные графы.............291
4.1.1. Тензоры в PyTorch......................................................................................291
4.1.2. Динамические вычислительные графы..................................................297
4.1.3. Автоматическое дифференцирование с помощью Autograd..............302
4.2. Построение и обучение нейронных сетей с помощью PyTorch.................305
4.2.1. Определение модели нейронной сети в PyTorch..................................306
4.2.2. Определение функции потерь и оптимизатора....................................310
4.2.3. Обучение нейронной сети........................................................................312
4.2.4. Оценка модели............................................................................................317
4.3. Трансферное обучение и тонкая настройка предобученных моделей 
PyTorch.......................................................................................................................322
4.3.1. Предобученные модели в PyTorch...........................................................324
4.3.2. Извлечение признаков с помощью предобученных моделей.............328


Содержание    9
4.3.3. Тонкая настройка предобученной модели.............................................330
4.3.4. Обучение модели с трансферным обучением.......................................333
4.3.5. Оценка тонко настроенной модели.........................................................339
4.4. Сохранение и загрузка моделей в PyTorch....................................................342
4.4.1. Сохранение и загрузка всей модели........................................................343
4.4.2. Сохранение и загрузка state_dict модели...............................................348
4.4.3. Сохранение и загрузка контрольных точек модели.............................352
4.4.4. Лучшие практики сохранения и загрузки моделей..............................359
4.5. Развертывание моделей PyTorch с помощью TorchServe............................360
4.5.1. Подготовка модели для TorchServe..........................................................361
4.5.2. Написание пользовательского обработчика модели  
(опционально).......................................................................................................366
4.5.3. Создание архива модели (.mar)................................................................370
4.5.4. Запуск модельного сервера TorchServe...................................................371
4.5.5. Генерация предсказаний через API.........................................................372
4.5.6. Мониторинг и управление моделями с помощью TorchServe............374
Практические упражнения.....................................................................................376
Упражнение 1. Сохранение и загрузка state_dict модели...............................376
Упражнение 2. Сохранение и загрузка контрольной точки модели.............377
Упражнение 3. Развертывание модели PyTorch с помощью TorchServe......378
Упражнение 4. Загрузка предобученной модели и тонкая настройка.........379
Краткое содержание.................................................................................................380
Глава 5. Сверточные нейронные сети (CNN)...............................................382
5.1. Введение в CNN и обработку изображений...................................................383
5.1.1. Архитектура CNN........................................................................................384
5.1.2. Сверточный слой........................................................................................388
5.1.3. Слой пулинга...............................................................................................396
5.1.4. Функции активации в CNN.......................................................................404
5.1.5. Обработка изображений с помощью CNN..............................................404
5.2. Реализация CNN с TensorFlow, Keras и PyTorch.............................................410
5.2.1. Реализация CNN с TensorFlow..................................................................411
5.2.2. Реализация CNN с Keras.............................................................................414
5.2.3. Реализация CNN с PyTorch........................................................................417
5.3. Продвинутые методы CNN (ResNet, Inception, DenseNet)...........................422
5.3.1. ResNet: остаточные сети............................................................................423
5.3.2. Inception: GoogLeNet и модули Inception................................................429
5.3.3. DenseNet: плотные соединения для эффективного повторного 
использования признаков..................................................................................436
5.4. Практическое применение CNN  (классификация изображений, 
обнаружение объектов)...........................................................................................442
5.4.1. Классификация изображений с использованием CNN.........................443
5.4.2. Обнаружение объектов с помощью CNN................................................447
5.4.3. Сравнение классификации изображений и обнаружения  
объектов.................................................................................................................450


10    Содержание
5.4.4. Реальные применения CNN......................................................................453
Практические упражнения.....................................................................................455
Упражнение 1. Реализация базовой CNN для классификации 
изображений.........................................................................................................455
Упражнение 2. Тонкая настройка предобученной модели ResNet 
для CIFAR-10..........................................................................................................456
Упражнение 3. Обнаружение объектов с помощью Faster R-CNN................457
Упражнение 4. Реализация модуля Inception в пользовательской CNN......458
Краткое содержание.................................................................................................460
Глава 6. Рекуррентные нейронные сети (RNN) и LSTM...........................462
6.1. Введение в RNN, LSTM и GRU...........................................................................463
6.1.1. Рекуррентные нейронные сети (RNN)....................................................463
6.1.2. Сети с долгой краткосрочной памятью (LSTM).....................................468
6.1.3. Управляемые рекуррентные блоки (GRU)..............................................473
6.2. Реализация RNN и LSTM в TensorFlow, Keras и PyTorch...............................477
6.2.1. Реализация RNN и LSTM в TensorFlow....................................................478
6.2.2. Реализация RNN и LSTM в Keras...............................................................482
6.2.3. Реализация RNN и LSTM в PyTorch..........................................................487
6.3. Применение RNN в обработке естественного языка...................................493
6.3.1. Моделирование языка с помощью RNN.................................................494
6.3.2. Генерация текста с помощью RNN...........................................................499
6.3.3. Анализ настроений с помощью RNN.......................................................503
6.4. Трансформерные сети для моделирования последовательностей............506
6.4.1. Архитектура трансформера......................................................................507
6.4.2. Реализация Transformer в TensorFlow.....................................................511
6.4.3. Реализация Transformer в PyTorch...........................................................517
6.4.4. Зачем нужны трансформеры?..................................................................520
Практические упражнения.....................................................................................524
Упражнение 1. Реализация простой RNN для классификации 
последовательностей...........................................................................................524
Упражнение 2. Реализация LSTM для генерации текста................................525
Упражнение 3. Реализация трансформера для обучения переводу 
последовательности в последовательность.....................................................527
Краткое содержание.................................................................................................528
Тесты, часть II: расширенные фреймворки глубокого обучения.........531
Часть III. ПЕРЕДОВОЙ ИИ И ЕГО ПРАКТИЧЕСКОЕ  
ПРИМЕНЕНИЕ.....................................................................................................535
Глава 7. Расширенные концепции глубокого обучения..........................536
7.1. Автоэнкодеры и вариационные автоэнкодеры (VAE)..................................536
7.1.1. Автоэнкодеры: обзор.................................................................................537


Доступ онлайн
2 949 ₽
В корзину