Deep Learning for Coders with fastai and PyTorch

出版者:O'Reilly

作者:Jeremy Howard

页数:350

出版时间:2020-2-4

价格:USD 69.99

装帧:Paperback

isbn号码:9781492045526

具体描述

Deep learning has the reputation as an exclusive domain for math PhDs. Not so. With this book, programmers comfortable with Python will learn how to get started with deep learning right away.

Using PyTorch and the fastai deep learning library, you’ll learn how to train a model to accomplish a wide range of tasks—including computer vision, natural language processing, tabular data, and generative networks. At the same time, you’ll dig progressively into deep learning theory so that by the end of the book you’ll have a complete understanding of the math behind the library’s functions.

作者简介

Jeremy Howard is an entrepreneur, business strategist, developer, and educator. Jeremy is a founding researcher at fast.ai, a research institute dedicated to making deep learning more accessible. He is also a Distinguished Research Scientist at the University of San Francisco, a faculty member at Singularity University, and a Young Global Leader with the World Economic Forum.

Jeremy’s most recent startup, Enlitic, was the first company to apply deep learning to medicine, and has been selected one of the world’s top 50 smartest companies by MIT Tech Review two years running. He was previously the President and Chief Scientist of the data science platform Kaggle, where he was the top ranked participant in international machine learning competitions 2 years running. He was the founding CEO of two successful Australian startups (FastMail, and Optimal Decisions Group–purchased by Lexis-Nexis). Before that, he spent 8 years in management consulting, at McKinsey & Co, and AT Kearney. Jeremy has invested in, mentored, and advised many startups, and contributed to many open source projects.

He has many television and other video appearances, including as a regular guest on Australia’s highest-rated breakfast news program, a popular talk on TED.com, and data science and web development tutorials and discussions.

Sylvain is a former teacher and a Research Scientist at fast.ai, with a focus on making deep learning more accessible by designing and improving techniques that allow models to train fast on limited resources.

Prior to this, Sylvain wrote several books covering the entire curriculum he was teaching in France (published at Éditions Dunod) until 2015 in CPGE. CPGE are a French specific two-year program whereby handpicked students who graduated high school follow an intense preparation before sitting for the competitive exam to enter the top engineering and business schools of the country. Sylvain taught computer science and mathematics in that program for seven years.

Sylvain is an alumni from École Normale Supérieure (Paris, France) where he studied mathematics and has a Master’s Degree in mathematics from University Paris XI (Orsay, France).

用户评价

这本《深度学习入门与实践：使用fastai和PyTorch》简直是为我这种代码背景的初学者量身定做的。我之前尝试过几本理论厚重的教材，读起来像是啃一本晦涩难懂的数学证明集，每次翻开都感觉大脑要罢工。但这本书完全不同，它从一开始就强调“动手做”，把复杂的深度学习概念巧妙地融入到实际的代码案例中。作者的叙述方式非常平易近人，仿佛一位经验丰富的导师在你身边手把手地指导。我特别欣赏它对fastai库的侧重，这个库极大地简化了许多标准任务的实现过程，让我们可以快速看到成果，建立起学习的信心和兴趣。比如，当我们还在为搭建第一个CNN模型而纠结于各种细节时，用fastai可能只需要几行代码就能跑起来，然后我们就可以把精力放在理解为什么它有效，而不是纠结于语法错误。这种“自顶向下”的学习路径，对于急于将知识转化为实践能力的开发者来说，无疑是最高效的途径。它没有回避理论，但理论的介绍总是恰到好处地服务于代码的实现，让你在需要时就能找到解释，而不是一开始就被海量的数学公式淹没。这种循序渐进、注重实战的教学哲学，让深度学习不再遥不可及，而是变成了可以掌握的工具。

如果非要挑剔一些，这本书的侧重点确实更倾向于那些已经具备一定Python编程基础，并希望快速投入到应用层面的开发者。对于一个完全没有接触过任何编程概念的读者来说，这本书的起点可能依然略显陡峭，因为它的核心价值在于“如何用深度学习解决问题”，而不是“如何学习编程”。然而，正是这种专注于应用层面的锐利，成就了它极高的实用价值。它避免了在不必要的基础编程概念上浪费篇幅，而是将宝贵的时间聚焦在深度学习的核心挑战上：如何构建一个高效的模型，如何处理数据不平衡，如何进行超参数调优。它教会的不仅仅是知识，更是一种解决问题的工程思维——一种务实、高效、结果导向的思维方式。这本书的最终目标，是让你能够在短时间内，将一个想法转化为一个可以实际部署的原型系统，这一点，它完成得非常出色，是市面上众多同类书籍中，少有的真正能让人“学完就能用”的力作。

我必须说，这本书的结构设计体现了作者对学习曲线的深刻理解。它不是那种堆砌知识点的参考手册，而更像是一份精心规划的探索之旅。最让我印象深刻的是它对数据处理和模型评估的细致讲解。在很多初级教程中，这些关键步骤往往被一笔带过，导致读者虽然能跑通一个“Hello World”级别的例子，却完全不知道如何处理真实世界中那些“脏乱差”的数据。然而，这本书花了大量篇幅讨论如何进行数据清洗、增强、以及如何正确地解释验证集的结果。这种对工程实践中常见痛点的关注，使得书中的知识点具有极强的实战价值。每当你觉得好像快要理解某个概念时，书中总会提供一个更深层次的视角，让你意识到自己在实际项目中可能遗漏了什么关键的调试步骤。PyTorch作为底层框架的介绍也做得非常到位，它没有停留在仅仅展示API调用的层面，而是让你理解张量是如何在GPU上高效运作的。这种对底层机制的洞察力，是区分“代码搬运工”和真正“深度学习工程师”的关键，这本书无疑是在搭建后者所需的知识桥梁。

这本书的配套资源绝对是其价值的有力补充，可以说是“内容加倍”的体验。我指的是那些精心维护的在线Notebooks和社区支持。在学习过程中，难免会遇到一些环境配置或者特定库版本冲突的问题，而这本书的作者团队似乎预料到了这一切，提供了非常活跃且及时的支持渠道。更重要的是，这些Notebooks不仅仅是书本内容的简单复现，它们常常包含了一些作者在实际项目中发现的“小技巧”或者“性能优化”的细节，这些都是传统纸质书难以承载的动态信息。这种数字内容与实体书的结合，形成了一种强大的学习闭环。你可以在电脑上实时运行和修改代码，观察参数变化带来的结果，这种即时反馈机制，对于建立直觉至关重要。它让我感觉自己不是在学习一本静止的教材，而是在参与一个持续迭代的、由前沿实践者驱动的知识项目。这种与时俱进的学习方式，在快速发展的AI领域显得尤为重要。

坦白讲，当我合上这本书时，最大的感受是豁然开朗，仿佛推开了一扇通往更广阔领域的大门。以往我对“Transformer”或者“GAN”这些前沿术语感到畏惧，觉得那是只有博士级别的研究者才能触及的领域。但这本书巧妙地通过一系列递进的例子，将这些复杂的架构逐步解构，展示了其核心思想是如何从基础的网络结构演变而来的。它没有用那些故弄玄虚的行话来包装，而是用清晰的逻辑链条，把每一个组件的功能都解释得明明白白。比如，在讲解注意力机制时，它不是直接甩出一张复杂的图表，而是从序列建模的痛点入手，逐步引出“为什么需要这种机制”，然后才展示代码实现，这个过程的设计，极大地增强了读者的内在驱动力——因为你知道自己每一步的提升都是建立在坚实的基础之上的。对于希望未来能够跟进最新论文、进行二次创新的读者来说，这本书提供的思维框架比单纯的算法实现更为宝贵。