Programming PyTorch for Deep Learning

Manual práctico orientado al aprendizaje profundo aplicado utilizando el framework PyTorch (enfocado en las versiones iniciales estables PyTorch 1.x contemporáneas a 2019). El libro está dirigido a desarrolladores de software, científicos de datos e ingenieros de machine learning de nivel intermedio que ya poseen soltura programando en Python y nociones matemáticas básicas, pero que buscan dominar el flujo de trabajo integral de PyTorch para llevar redes neuronales desde el código inicial hasta entornos de ejecución real.

El autor desglosa la creación y manipulación de tensores, la diferenciación automática mediante autograd y el entrenamiento de modelos para diferentes tipos de datos. Aborda el diseño de redes neuronales convolucionales con torchvision para visión artificial, la clasificación y análisis de texto con torchtext, y el procesamiento de señales acústicas y espectrogramas con torchaudio. Asimismo, enseña a diagnosticar problemas y optimizar el rendimiento utilizando TensorBoard y diagramas de llama (flame graphs), para finalmente cubrir el empaquetado de modelos en APIs web con Flask y su despliegue en contenedores Docker sobre clústeres de Kubernetes en Google Cloud Platform.

A través de sus capítulos se desarrollan varios proyectos prácticos: un clasificador visual de imágenes con transferencia de aprendizaje (ResNet), un analizador de polaridad de textos, un modelo de clasificación de sonidos ambientales sobre el dataset ESC-50 y un servicio web de inferencia contenerizado. Su mayor fortaleza radica en explicar con sencillez el despliegue operativo y modalidades poco habituales como el procesamiento de audio con torchaudio. Por contrapartida, al ser de 2019, varias librerías accesorias como torchtext han sufrido cambios drásticos de API en versiones modernas y no cubre avances posteriores como la arquitectura transformer ni herramientas como PyTorch Lightning o Hugging Face.