PyTorch w praktyce: od eksperymentu do modelu, który trzyma się kupy
Wokół uczenia głębokiego łatwo o efekt ,,działa, bo działa" -- a potem przychodzi pierwsza zmiana danych i cały misterny układ się rozsypuje. Dlatego książki z tej kategorii stawiają na rozumienie mechaniki trenowania: jak czytać przebieg lossu, kiedy winny jest dobór architektury, a kiedy pipeline danych, augmentacje czy sam proces uczenia. W PyTorch to szczególnie ważne, bo framework zachęca do elastyczności i szybkich iteracji, ale (szczerze mówiąc) równie łatwo w nim o chaos, jeśli nie ma się dobrych nawyków.
Jeśli zależy Ci na wejściu w deep learning ,,bez spiny" na zaawansowaną matematykę, a jednocześnie z solidnym zrozumieniem, to w książce Jeremy'ego Howarda i Sylvaina Guggera Deep learning dla programistów. Budowanie aplikacji AI za pomocą fastai i PyTorch mocno wybrzmiewa podejście: najpierw działający model, potem świadome poprawianie dokładności, szybkości i niezawodności. Przy okazji pojawia się temat wdrażania oraz etycznych konsekwencji AI -- przydatne, gdy model ma wyjść poza notebook i zacząć wpływać na decyzje w produkcie.
Sieci CNN, RNN, transformatory i generowanie: konkretne ścieżki zastosowań
Kategoria PyTorch nie kręci się wyłącznie wokół ,,klasyfikacji kotów". Jest tu sporo materiału o typowych rodzinach modeli i zadaniach, które faktycznie spotyka się w projektach: rozpoznawanie obrazów z użyciem CNN, analiza sekwencji i nastroju w tekście, a także praca z transformerami. Do tego dochodzą modele generatywne, GAN-y czy elementy uczenia przez wzmacnianie -- czyli obszary, w których łatwo się zachłysnąć efektami, ale jeszcze łatwiej przepalić czas, jeśli nie ma się sprawdzonego przepisu na eksperymenty.
W tym duchu tytuł Ashisha Ranjana Jhy Mastering PyTorch. Build powerful neural network architectures using advanced PyTorch 1.x features akcentuje budowanie bardziej złożonych architektur i pracę nad całym cyklem: od trenowania po wdrożenie do środowiska produkcyjnego. Wspomniane są też tematy skalowania treningu (rozproszenie), efektywność pracy z dużymi modelami oraz szybkie prototypowanie -- czyli rzeczy, które zaczynają boleć, gdy projekt rośnie i przestaje być ,,tylko eksperymentem".
Praca z danymi i dobór narzędzi: PyTorch obok scikit-learn i TensorFlow
W realnych zadaniach ML zwykle zaczyna się od danych, nie od modelu: eksploracja, inżynieria cech, podział na zbiory, metryki, a czasem też klasyczne podejścia, zanim w ogóle wejdziesz w sieci neuronowe. Dobrze, gdy książka nie izoluje deep learningu od reszty workflow, tylko pokazuje, kiedy sięgać po dany zestaw narzędzi i jak spinać elementy w sensowną całość -- choćby w projekcie predykcji cen, systemie rekomendacji czy klasyfikacji obrazów.
Taką ,,szerszą perspektywę praktyka" daje pozycja Yuxi (Hayden) Liu Python. Uczenie maszynowe w przykładach. TensorFlow 2, PyTorch i scikit-learn. Wydanie III, gdzie przewijają się zadania od analizy danych po wdrażanie modeli, a PyTorch jest jednym z narzędzi w zestawie. To przydatne szczególnie wtedy, gdy pracujesz w zespole i musisz umieć ,,przełączać się" między podejściami, bo projekt raz wymaga prostszego modelu, a innym razem sieci neuronowej.
Jeśli chcesz poszerzyć kontekst o szerszy świat rozwiązań data i AI, zajrzyj też do działu sztucznej inteligencji w księgarni -- często pomaga poukładać decyzje technologiczne, zanim utkniesz w szczegółach jednego frameworka.
