Gollnick PyTorch

KI-Modelle trainieren, tunen und einsetzen
1. Auflage 2026
ISBN: 978-3-367-11131-2
Verlag: Rheinwerk
Format: PDF
Kopierschutz: 0 - No protection

E-Book, Deutsch, 447 Seiten

Reihe: Rheinwerk Computing

PyTorch-Programmierung professionell! Das meistbenutzte Deep-Learning-Framework in der Praxis: Lernen Sie für spezifische Aufgaben aus realen Projektszenarien, wie Sie mit PyTorch KI-Modelle trainieren, optimieren und produktiv einsetzen . Bert Gollnick zeigt Ihnen in diesem Buch alle einschlägigen Verfahren inklusive Python-Implementierung, von linearer Regression über große Sprachmodelle bis zur Kombination mehrerer Verfahren. Die Anwendungen beinhalten Computer Vision, RAG-Systeme, Zeitreihenanalysen und vieles mehr. Sie evaluieren und deployen Ihre Modelle mit modernsten Methoden und lernen dafür Tools wie FlowML, TensorBoard und FastAPI kennen.

Profitieren Sie von vollständigen Codebeispielen, die auf handelsüblicher Hardware lauffähig sind, und entdecken Sie das Zusammenspiel mit PyTorch Lightning, HuggingFace und weiteren Tools.

• Deep Learning von der Datenaufbereitung über Training und Fineturing bis zum Deployment
• Vielfältige Architekturen wie Autoencoder, RNNs, LLMs, RAG-Systeme etc.
• Inkl. PyTorch Lightning, TensorBoard, LangChain, FastAPI u. v. m.

Aus dem Inhalt:

• Installation des Frameworks
• Deep-Learning-Grundkonzepte
• Vortrainierte Modelle verwenden
• Daten vorbereiten
• Klassifizierungsaufgaben
• Computer Vision
• Empfehlungssysteme
• Graph Neural Networks
• Große Sprachmodelle (LLMs)
• Zeitreihen-Vorhersagen
• PyTorch Lightning
• LangChain
• Cloud-Deployment mit Heroku
• FlowML, TensorBoard und WandB
• Lokaler Einsatz mit FastAPI

Autoren/Hrsg.

Gollnick, Bert

Inhaltsverzeichnis

  1.  Vorwort ... 13

       1.1 ... An wen richtet sich dieses Buch? ... 15

       1.2 ... Voraussetzungen ... 15

       1.3 ... Die Struktur des Buches ... 16

       1.4 ... Wie Sie dieses Buch effektiv nutzen ... 16

       1.5 ... Konventionen in diesem Buch ... 17

       1.6 ... Der Code zum Herunterladen und weitere Materialien ... 18

       1.7 ... Systemeinrichtung ... 18

       1.8 ... Danksagung ... 25

  2.  Einführung in das Deep Learning ... 27

       2.1 ... Was ist Deep Learning? ... 28

       2.2 ... Wofür kann Deep Learning verwendet werden? ... 29

       2.3 ... Wie funktioniert Deep Learning? ... 33

       2.4 ... Historische Entwicklung ... 35

       2.5 ... Perzeptron ... 36

       2.6 ... Netzwerkaufbau und -schichten ... 37

       2.7 ... Aktivierungsfunktionen ... 38

       2.8 ... Verlustfunktion ... 41

       2.9 ... Optimierer und Parameter-Update ... 43

       2.10 ... Umgang mit Tensoren ... 45

       2.11 ... Zusammenfassung ... 53

  3.  Unser erstes PyTorch-Modell ... 55

       3.1 ... Datenvorbereitung ... 56

       3.2 ... Modell-Erstellung ... 66

       3.3 ... Modellklasse und Optimierer ... 74

       3.4 ... Batches ... 78

       3.5 ... Dataset und DataLoader ... 83

       3.6 ... Modelle speichern und laden ... 88

       3.7 ... Data Sampling ... 91

       3.8 ... Zusammenfassung ... 100

  4.  Klassifizierungsmodelle ... 103

       4.1 ... Klassifizierungstypen ... 104

       4.2 ... Konfusionsmatrix ... 105

       4.3 ... ROC-Kurve ... 108

       4.4 ... Binäre Klassifizierung ... 110

       4.5 ... Multi-Class-Klassifizierung ... 124

       4.6 ... Zusammenfassung ... 137

  5.  Computer-Vision ... 139

       5.1 ... Wie werden Bilder in Modellen behandelt? ... 141

       5.2 ... Netzwerkarchitekturen ... 142

       5.3 ... Bildklassifizierung ... 147

       5.4 ... Objekterkennung ... 177

       5.5 ... Semantische Segmentierung ... 193

       5.6 ... Stiltransfer ... 204

       5.7 ... Zusammenfassung ... 213

  6.  Empfehlungssysteme ... 215

       6.1 ... Konzepte ... 215

       6.2 ... Coding: Empfehlungssystem ... 218

       6.3 ... Zusammenfassung ... 236

  7.  Autoencoder ... 237

       7.1 ... Architektur ... 238

       7.2 ... Autoencoder-Implementierung ... 239

       7.3 ... Variational Autoencoder ... 248

       7.4 ... Coding: Variational Autoencoder ... 249

       7.5 ... Zusammenfassung ... 259

  8.  Graph Neural Networks ... 261

       8.1 ... Einführung in die Graphentheorie ... 261

       8.2 ... Coding: Aufbau eines Graphen ... 266

       8.3 ... Coding: Training eines GNN ... 271

       8.4 ... Zusammenfassung ... 280

  9.  Zeitreihen ... 281

       9.1 ... Modellierungsansätze ... 281

       9.2 ... Coding: Eigenes Modell ... 286

       9.3 ... Coding: Nutzung von PyTorch Forecasting ... 301

       9.4 ... Zusammenfassung ... 310

10.  Sprachmodelle ... 311

       10.1 ... Nutzung von LLMs mit Python ... 312

       10.2 ... Modellparameter ... 328

       10.3 ... Modellauswahl ... 331

       10.4 ... Nachrichtentypen ... 335

       10.5 ... Prompt-Templates ... 336

       10.6 ... Chains ... 340

       10.7 ... Strukturierte Outputs ... 343

       10.8 ... Deep Dive: Wie funktionieren Transformer? ... 346

       10.9 ... Zusammenfassung ... 353

11.  Vortrainierte Netzwerke und Finetuning ... 355

       11.1 ... Vortrainierte Netzwerke mit Hugging Face ... 356

       11.2 ... Transferlernen ... 359

       11.3 ... Coding: Finetuning eines Computer-Vision-Modells ... 362

       11.4 ... Coding: Finetuning eines Sprachmodells ... 370

       11.5 ... Zusammenfassung ... 376

12.  PyTorch Lightning ... 377

       12.1 ... Vergleich zwischen PyTorch und PyTorch Lightning ... 378

       12.2 ... Coding: Modelltraining ... 379

       12.3 ... Callbacks ... 386

       12.4 ... Zusammenfassung ... 389

13.  Modellevaluierung, Logging und Monitoring ... 391

       13.1 ... TensorBoard ... 392

       13.2 ... MLflow ... 401

       13.3 ... Weights and Biases (WandB) ... 406

       13.4 ... Zusammenfassung ... 413

14.  Deployment ... 415

       14.1 ... Deployment-Strategien ... 415

       14.2 ... Lokales Deployment ... 418

       14.3 ... Heroku ... 424

       14.4 ... Microsoft Azure ... 431

       14.5 ... Zusammenfassung ... 440

  Index ... 443

Über Autor(innen)

Gollnick, Bert
Bert Gollnick ist Senior Data Scientist mit Schwerpunkt auf künstlicher Intelligenz. Er unterrichtet Kurse zu Data Science und Machine Learning inklusive generativer KI und natürlicher Sprachverarbeitung. Bert hat an der Technischen Universität Berlin Luft- und Raumfahrttechnik und an der Universität Hagen Volkswirtschaftslehre studiert. Nach 17 Jahren in der Industrie fokussiert er sich nun auf seine Schulungsfirma, um Teilnehmern künstliche Intelligenz näherzubringen.Er lebt und arbeitet in Hamburg und bietet Präsenzkurse im deutschsprachigen Raum sowie Online-Kurse auch für ein internationales Publikum an.