Vor Ort
Merkzettel Warenkorb
Produktbild: PyTorch

PyTorch KI-Modelle trainieren, tunen und einsetzen

1

41,10 €

inkl. gesetzl. MwSt., Versandkostenfrei

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

05.02.2026

Verlag

Rheinwerk Verlag

Seitenzahl

447

Maße (L/B/H)

24,6/17,6/3,1 cm

Gewicht

956 g

Farbe

Schwarz / Hellbraun

Sprache

Deutsch

ISBN

978-3-367-11129-9

Beschreibung

Produktdetails

Einband

Gebundene Ausgabe

Erscheinungsdatum

05.02.2026

Verlag

Rheinwerk Verlag

Seitenzahl

447

Maße (L/B/H)

24,6/17,6/3,1 cm

Gewicht

956 g

Farbe

Schwarz / Hellbraun

Sprache

Deutsch

ISBN

978-3-367-11129-9

Herstelleradresse

Rheinwerk Verlag GmbH
Rheinwerkallee 4
53227 Bonn
DE

Email: service@rheinwerk-verlag.de

Kundinnen und Kunden meinen

1 Bewertungen

Informationen zu Bewertungen

Zur Abgabe einer Bewertung ist eine Anmeldung im Konto notwendig. Die Authentizität der Bewertungen wird von uns nicht überprüft. Wir behalten uns vor, Bewertungstexte, die unseren Richtlinien widersprechen, entsprechend zu kürzen oder zu löschen.

Die Bewertungen sind nach Format, Anzahl Sterne und Datum sortiert.

5 Sterne

(1)

4 Sterne

(0)

3 Sterne

(0)

2 Sterne

(0)

1 Sterne

(0)

Grossartige Einführung in PyTorch mit vielen anschaulichen Beispielen

Bewertung am 16.02.2026

Bewertungsnummer: 3047837

Bewertet: Buch (Gebundene Ausgabe)

Da ich beim Studium von Artikeln und Büchern zum Thema Generative AI immer wieder über PyTorch gestolpert bin, wollte ich mir das Framework etwas genauer anschauen. Bert Gollnick hat dazu ein interessantes Buch geschrieben, das meine Erwartungen übertroffen hat. Man lernt nicht nur PyTorch, sondern das Wissen wird direkt in anschaulichen Beispielen angewendet. Das Buch startet mit einer verständlichen Einführung in Deep Learning. Darauf aufbauend werden in den folgenden Kapiteln zunehmend komplexere Modelle mithilfe der PyTorch-Bibliothek entwickelt. Ein paar Dinge, die mir persönlich besonders gut gefallen haben: - Wie kann ich aus dem Log eines Netzwerkverkehrs vorhersagen, ob es sich um normales Verhalten oder einen Hackerangriff handelt? - Wie funktionieren personalisierte Produktempfehlungen in Online-Shops? - Bildklassifizierung: Wie kann ich Bilder in Kategorien einordnen, z.B. Katzen vs. Hunde? - Wie kann ich mit Python Anfragen an lokale oder Remote-LLMs stellen? Dazu wird die LangChain-Bibliothek verwendet. Ich finde es ein großartiges Buch. Man erlangt ein tieferes Verständnis für viele AI-Themen und lernt dabei gleich zwei Python-Frameworks (PyTorch und LangChain). Alle Beispiele sind in einem GitHub-Repository vorhanden und funktionieren out of the box.

Grossartige Einführung in PyTorch mit vielen anschaulichen Beispielen

Bewertung am 16.02.2026
Bewertungsnummer: 3047837
Bewertet: Buch (Gebundene Ausgabe)

Da ich beim Studium von Artikeln und Büchern zum Thema Generative AI immer wieder über PyTorch gestolpert bin, wollte ich mir das Framework etwas genauer anschauen. Bert Gollnick hat dazu ein interessantes Buch geschrieben, das meine Erwartungen übertroffen hat. Man lernt nicht nur PyTorch, sondern das Wissen wird direkt in anschaulichen Beispielen angewendet. Das Buch startet mit einer verständlichen Einführung in Deep Learning. Darauf aufbauend werden in den folgenden Kapiteln zunehmend komplexere Modelle mithilfe der PyTorch-Bibliothek entwickelt. Ein paar Dinge, die mir persönlich besonders gut gefallen haben: - Wie kann ich aus dem Log eines Netzwerkverkehrs vorhersagen, ob es sich um normales Verhalten oder einen Hackerangriff handelt? - Wie funktionieren personalisierte Produktempfehlungen in Online-Shops? - Bildklassifizierung: Wie kann ich Bilder in Kategorien einordnen, z.B. Katzen vs. Hunde? - Wie kann ich mit Python Anfragen an lokale oder Remote-LLMs stellen? Dazu wird die LangChain-Bibliothek verwendet. Ich finde es ein großartiges Buch. Man erlangt ein tieferes Verständnis für viele AI-Themen und lernt dabei gleich zwei Python-Frameworks (PyTorch und LangChain). Alle Beispiele sind in einem GitHub-Repository vorhanden und funktionieren out of the box.

Kundinnen und Kunden meinen

PyTorch

von Bert Gollnick

0 Bewertungen filtern

Weitere Artikel finden Sie in
Die Leseprobe wird geladen.
  • Produktbild: PyTorch

  •   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