Deep Learning la scară largă: La intersecția dintre hardware, software și date

Recenzii ale cititorilor

Cartea este o resursă privind învățarea profundă scalabilă, lăudată pentru exercițiile sale practice și explicațiile clare, dar criticată pentru acoperirea superficială a subiectelor avansate și lipsa de concentrare asupra inferenței în producția de modele.

Cartea este recomandată pentru resursele sale fantastice, eleganța în demistificarea conceptelor complexe și exercițiile practice eficiente care construiesc abilități reale.

Cartea este prea generală în discuții, lipsită de profunzime pentru profesioniști, concentrându-se puternic pe formare, mai degrabă decât pe inferență, și nu oferă perspective în construirea serviciilor LLM/DL care îndeplinesc cerințele de fiabilitate.

(pe baza a 2 recenzii ale cititorilor)

Titlul original:

Deep Learning at Scale: At the Intersection of Hardware, Software, and Data

Conținutul cărții:

Punerea în producție la scară largă a unui proiect de învățare aprofundată este o adevărată provocare. Pentru a vă scala cu succes proiectul, este necesară o înțelegere fundamentală a învățării profunde complete, inclusiv a cunoștințelor care se află la intersecția dintre hardware, software, date și algoritmi.

Această carte ilustrează conceptele complexe ale învățării profunde full stack și le consolidează prin exerciții practice pentru a vă înarma cu instrumente și tehnici pentru a vă scala proiectul. Un efort de scalare este benefic doar atunci când este eficace și eficient. În acest scop, acest ghid explică conceptele și tehnicile complexe care vă vor ajuta să scalați eficient și eficace.

Veți obține o înțelegere aprofundată a:

⬤ Cum curg datele prin rețeaua de învățare profundă și rolul pe care îl joacă graficele de calcul în construirea modelului dvs.

⬤ Cum calculul accelerat vă accelerează instruirea și cum puteți utiliza cel mai bine resursele aflate la dispoziția dumneavoastră.

⬤ Cum să vă antrenați modelul utilizând paradigme de formare distribuită, și anume paralelismul datelor, al modelului și al conductei.

⬤ Cum să profitați de ecosistemele PyTorch împreună cu bibliotecile NVIDIA și Triton pentru a vă scala modelul de formare.

⬤  Depanarea, monitorizarea și investigarea blocajelor nedorite care vă încetinesc formarea modelului.

⬤ Cum să accelerați ciclul de viață al formării și să vă raționalizați bucla de feedback pentru a itera dezvoltarea modelului.

⬤ un set de trucuri și tehnici privind datele și cum să le aplicați pentru a vă adapta modelul de formare.

⬤ Cum să selectați instrumentele și tehnicile potrivite pentru proiectul dumneavoastră de învățare aprofundată.

⬤ Opțiuni pentru gestionarea infrastructurii de calcul atunci când rulați la scară largă.