كيف نظمت الموضوعات:

هناك ثلاثة أجزاء متميزة.

يغطي الجزء الأول الأساسيات، بينما يرشدك الجزء الثاني خلال مشروع شامل، بناءً على المفاهيم الأساسية المقدمة في الجزء الأول وإضافة المزيد من المفاهيم المتقدمة

يختتم الجزء القصير 3 الكتاب بجولة حول ما تقدمه PyTorch للنشر.

: كان لوكا مسؤولاً بشكل أساسي عن الجزء الأول وإيلي عن الجزء 2.2 وعندما جاء توماس، كان مسؤولاً بشكل أساسي عن الجزء الأول وإيلي عن الجزء 2.2. حاولنا مزج الأسلوب في الجزء 3 والأقسام المختلفة هنا وهناك مع الكتابة في الجزأين 1 و2. وبدلاً من إيجاد حد أدنى من القاسم المشترك، قررنا الحفاظ على الأصوات الأصلية التي ميزت الأجزاء.

وفيما يلي تقسيم كل جزء إلى فصول ووصف موجز لكل منها.

الجزء 1

في الجزء الأول، نبني المفاهيم الأساسية ل PyTorch، ونبني المهارات الأساسية اللازمة لفهم مشاريع PyTorch

. سنغطي واجهة برمجة تطبيقات PyTorch وبعض الميزات التي تجعل من PyTorch مكتبة مهمة،

وسنعمل على تدريب نموذج تصنيف أوليclassification model . بحلول نهاية الجزء الأول، سنكون مستعدين للتعامل مع المشاريع الحقيقية .

يقدم الفصل الأول PyTorch كمكتبة ومكانتها في ثورة التعلم العميق، ويتطرق إلى ما يميز PyTorch عن أطر التعلم العميق الأخرى.

يعرض الفصل الثاني PyTorch علي أرض الواقع من خلال تشغيل أمثلة للشبكات المدربة مسبقًا pretrained networks ؛ ستتعلم كيفية تنزيل النماذج وتشغيلها من PyTorch Hub.

يقدم الفصل الثالث لبنة البناء الأساسية الـ tensor في PyTorch ويعرض واجهة برمجة التطبيقات الخاصة به API ومع بعض تفاصيل

يوضح الفصل الرابع كيف يمكن تمثيل أنواع مختلفة من البيانات كtensor وكيف تتوقع نماذج التعلم العميق أن تتشكل ال tensor.

يتناول الفصل الخامس آليات التعلم من خلال gradient descent وكيف تمكنه PyTorch تلقائيا.

يوضح الفصل السادس عملية بناء وتدريب شبكة عصبية للانحدار regression في PyTorch باستخدام النموذجين nn وOptim.

يعتمد الفصل السابع على الفصل السابق لإنشاء نموذج متصل بالكامل لتصنيف الصور وتوسيع المعرفة بواجهة برمجة تطبيقات PyTorch.

يقدم الفصل الثامن الشبكات العصبية التلافيفية convolutional neural networks ويتناول مفاهيم أكثر تقدمًا لبناء نماذج الشبكات العصبية وتنفيذ PyTorch الخاص بها.

الجزء 2

في الجزء الثاني، كل فصل يقربنا من الحل الشامل للكشف التلقائي عن سرطان الرئة. سنستخدم هذه المشكلة الصعبة كحافز لإظهار الأساليب الواقعية اللازمة لحل المشكلات واسعة النطاق مثل فحص السرطان.

إنه مشروع كبير يركز على الهندسة النظيفة واستكشاف الأخطاء وإصلاحها وحل المشكلات.

يصف الفصل التاسع الإستراتيجية الشاملة التي سنستخدمها لتصنيف أورام الرئة، بدءًا من التصوير المقطعي المحوسب (CT).

يقوم الفصل العاشر بتحميل بيانات التعليقات التوضيحية البشرية annotation إلى جانب الصور المأخوذة من الأشعة المقطعية وتحويل المعلومات ذات الصلة إلى tensors ، باستخدام واجهات برمجة تطبيقات PyTorch القياسية.

يقدم الفصل 11 نموذج التصنيف الأول معتمدا علي بيانات التدريب المقدمة في الفصل السابق . نستهدف تدريب النموذج وجمع مقاييس الأداء الأساسية. نقدم أيضًا استخدام Tensor Board لمراقبة التدريب.

يستكشف الفصل 12 وينفذ مقاييس الأداء القياسية ويستخدم تلك المقاييس لتحديد نقاط الضعف في التدريب الذي تم إجراؤه مسبقًا. نقوم بعد ذلك بتخفيف هذه العيوب من خلال مجموعة تدريب محسنة تستخدم موازنة البيانات وزيادتها.

يصف الفصل 13 التجزئة segmentation ، وهي بنية من بكسل إلى بكسل نستخدمها لإنتاج خريطة حرارية لمواقع العقيدات المحتملة التي تغطي الأشعة المقطعية بأكملها.

يمكن استخدام خريطة الحرارة هذه للعثور على العقيدات في عمليات التصوير المقطعي المحوسب والتي لا تتوفر لدينا بيانات مشروحة من قبل الإنسان بشأنها.

ينفذ الفصل 14 المشروع النهائي الشامل: تشخيص مرضى السرطان باستخدام نموذج التجزئة الجديد متبوعًا بالتصنيف classification.

الجزء 3

يقدم الفصل 15 نظرة عامة حول كيفية نشر نماذج PyTorch في خدمة ويب بسيطة، أو تضمينها في برنامج C++، أو نقلها إلى هاتف محمول.