Deep Learning with PyTorch, 2nd Edition
Howard Huang, Eli Stevens, Luca Antiga, Thomas Viehmann
- Editorial
- Manning
- Año
- 2026
- Páginas
- ~546
- Nivel
- Intermedio
De qué trata
Esta segunda edición renueva por completo el prestigioso manual de Manning incorporando al desarrollador del núcleo de PyTorch, Howard Huang, junto a los autores originales Eli Stevens, Luca Antiga y Thomas Viehmann. La obra está actualizada para las capacidades modernas de PyTorch 2.x y la era de la inteligencia artificial generativa. Está diseñada para ingenieros de software, científicos de datos e investigadores con experiencia en Python y bibliotecas como NumPy que buscan una transición sólida desde los fundamentos matemáticos y de bajo nivel hasta el entrenamiento y optimización de modelos de vanguardia.
El texto desglosa minuciosamente el funcionamiento de los tensores, el grafo computacional dinámico, autograd y los módulos de torch.nn, junto con las optimizaciones de compilación de PyTorch 2.x (torch.compile). Cubre redes neuronales convolucionales clásicas y modernas para tareas de visión por computadora, pero da un salto cualitativo al dedicar capítulos enteros a las arquitecturas contemporáneas: cómo implementar y entrenar Transformers con atención multicabezal, el funcionamiento de los modelos de lenguaje (LLMs) y la creación de modelos de difusión para la generación de imágenes. También enseña el manejo de datos multimodales, técnicas de paralelización, optimización de memoria y pautas avanzadas de despliegue.
En la vertiente práctica, el libro combina proyectos fundacionales de visión artificial con implementaciones completas de modelos generativos por difusión, bloques Transformer funcionales y la adaptación actualizada de su clásico clasificador de imágenes médicas para diagnóstico de cáncer con PyTorch 2.x. Su principal mérito radica en mantener el rigor analítico sobre las entrañas de PyTorch mientras guía al lector en la construcción de los modelos que definen la IA actual. No se enfoca en herramientas sin código ni en librerías de muy alto nivel, ya que prima la implementación explícita y comprensible. Conviene disponer de un entorno con soporte para aceleración por GPU para ejecutar cómodamente los modelos generativos.
- PyTorch 2.x
- Tensores
- Autograd
- torch.compile
- CNNs
- Transformers
- Modelos de difusión
- Grandes modelos de lenguaje (LLM)
- Visión médica
- Optimización de modelos
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Modelo generativo de imágenes por difusión
Implementación en PyTorch 2.x de una red neuronal generativa que sintetiza imágenes aprendiendo a revertir un proceso progresivo de difusión de ruido.
Arquitectura Transformer y modelo de lenguaje desde cero
Construcción paso a paso de los mecanismos de autoatención multicabezal y capas del Transformer en PyTorch para tareas de procesamiento de texto.
Clasificador de imágenes médicas oncológicas
Sistema integral de diagnóstico asistido que entrena redes neuronales convolucionales con PyTorch 2.x para detectar anomalías y tejido canceroso en escaneos médicos.
