Learn Generative AI with Pytorch

Lernen Sie, wie generative KI funktioniert, indem Sie Ihre eigenen Modelle bauen, die zusammenhängende Texte schreiben, realistische Bilder erstellen und sogar lebensechte Musik machen können.Learn Generative AI with PyTorch vermittelt die zugrunde liegenden Mechanismen der generativen KI, indem Sie funktionierende KI-Modelle von Grund auf aufbauen. Dabei verwenden Sie das intuitive PyTorch-Framework, das jedem, der bereits mit Python-Datentools gearbeitet hat, sofort vertraut ist. Auf dem Weg dorthin lernen Sie die Grundlagen von General Adversarial Networks (GANs), Transformers, Large Language Models (LLMs), Variational Autocoder, Diffusionsmodelle, LangChain und vieles mehr kennen! In Learn Generative AI with PyTorch werden Sie diese erstaunlichen Modelle erstellen: - Ein einfacher Englisch-Französisch-Übersetzer - Ein textgenerierendes Modell, das so leistungsfähig ist wie GPT-2 - Ein Diffusionsmodell, das realistische Blumenbilder erzeugt - Musikgeneratoren unter Verwendung von GANs und Transformers - Ein Modell zur Übertragung von Bildstilen - Ein "Zero-Shot"-Agent, der alles weiß Die generativen KI-Projekte, die Sie erstellen, verwenden dieselben zugrundeliegenden Techniken und Technologien wie vollwertige Modelle wie GPT-4 und Stable Diffusion. Sie müssen kein Experte für maschinelles Lernen sein - Sie können schon mit ein paar grundlegenden Python-Programmierkenntnissen loslegen. Der Kauf des gedruckten Buches beinhaltet ein eBook im PDF- und ePub-Format von Manning Publications. Über die Technologie Transformers, Generative Adversarial Networks (GANs), Diffusionsmodelle, LLMs und andere leistungsstarke Deep-Learning-Muster haben die Art und Weise, wie wir Texte, Bilder und Töne bearbeiten, grundlegend verändert. Generative KI mag auf den ersten Blick wie Magie erscheinen, aber mit ein wenig Python, dem PyTorch-Framework und etwas Übung können Sie interessante und nützliche Modelle erstellen, die auf Ihrem Laptop trainiert und ausgeführt werden können. Dieses Buch zeigt Ihnen, wie. Über das Buch Generative KI mit PyTorch lernen führt Sie in die zugrundeliegenden Mechanismen der generativen KI ein und hilft Ihnen, Ihre eigenen funktionierenden KI-Modelle zu erstellen. Sie beginnen mit der Erstellung einfacher Bilder mit Hilfe eines GAN und schreiben dann Zeile für Zeile einen Sprachübersetzungstransformator. Im Laufe der unterhaltsamen und faszinierenden Projekte werden Sie Modelle trainieren, um Anime-Bilder zu erstellen, wie Hemingway zu schreiben, Musik wie Mozart zu machen und vieles mehr. Für den Anfang brauchen Sie nur Python und ein paar Grundlagen des maschinellen Lernens. Den Rest lernen Sie nach und nach! Inhalt - Erstellen eines Englisch-Französisch-Übersetzers - Erstellen eines LLM zur Texterzeugung - Trainieren eines Diffusionsmodells zur Erzeugung hochauflösender Bilder - Musikgeneratoren mit GANs und Transformers Über den Leser Die Beispiele verwenden einfaches Python. Keine Deep-Learning-Erfahrung erforderlich. Über den Autor Mark Liu ist der Gründungsdirektor des Master of Science in Finance Programms an der Universität von Kentucky. Der technische Redakteur für dieses Buch war Emmanuel Maggiori. Inhaltsverzeichnis Teil 1 1 Was ist generative KI und warum PyTorch 2 Deep Learning mit PyTorch 3 Generative adversarial networks: Form- und Zahlengenerierung Teil 2 4 Bilderzeugung mit generativen adversen Netzen 5 Auswahl von Merkmalen in generierten Bildern 6 CycleGAN: Umwandlung von blondem Haar in schwarzes Haar 7 Bilderzeugung mit Variations-Autoencodern Teil 3 8 Texterzeugung mit rekurrenten neuronalen Netzen 9 Eine zeilenweise Implementierung von und Transformer 10 Training eines Transformers zur Übersetzung von Englisch nach Französisch 11 Aufbau eines generativen vortrainierten Transformers von Grund auf 12 Training eines Transformers zur Texterzeugung Teil 4 13 Musikerzeugung mit MuseGAN 14 Aufbau und Training eines Musik-Transformers 15 Diffusionsmodelle und Text-Bild-Transformer 16 Vortrainierte große Sprachmodelle und die LangChain-Bibliothek Anhänge A Installation von Python, Jupyter Notebook und PyTorch B Minimal qualifizierte Leser und Grundlagen des Deep Learning