Pretrain Vision și modele lingvistice mari în Python: Tehnici end-to-end pentru construirea și implementarea modelelor de fundație pe AWS

Recenzii ale cititorilor

Cartea „Pretrain Vision and Large Language Models in Python” de Emily Webber este un ghid cuprinzător care ajută cititorii să înțeleagă și să implementeze modele de bază utilizând AWS și Amazon SageMaker. Acesta oferă sfaturi practice, discuții detaliate și exemple de cod care se adresează atât începătorilor, cât și utilizatorilor avansați. Cu toate acestea, există probleme, cum ar fi erori de imprimare în unele exemplare, iar unii cititori au considerat că profunzimea cărții lipsește sau au simțit că a încercat să acopere prea mult fără a intra în detalii semnificative.

Acoperire cuprinzătoare a formării și implementării modelelor fundamentale, exemple practice și mostre de cod, îndrumare bine structurată, perspective de specialitate din partea autorului, potrivită atât pentru începători, cât și pentru utilizatorii avansați, resursă oportună pe fondul interesului în creștere pentru modelele lingvistice mari.

Unele exemplare au avut erori de tipărire (pagini lipsă, pagini răsturnate), poate necesita cunoștințe prealabile de învățare profundă, poate fi lipsit de profunzime în anumite domenii, unii cititori au simțit că este prea larg și dezordonat și poate fi citit ca un discurs de vânzări pentru SageMaker.

(pe baza a 15 recenzii ale cititorilor)

Titlul original:

Pretrain Vision and Large Language Models in Python: End-to-end techniques for building and deploying foundation models on AWS

Conținutul cărții:

Stăpâniți arta formării viziunii și a modelelor lingvistice mari cu fundamente conceptuale și îndrumare din partea experților din industrie. Învățați despre serviciile AWS și modelele de proiectare, cu exemple de codificare relevante

Caracteristici cheie:

⬤ Învățați să dezvoltați, să antrenați, să reglați și să aplicați modele fundamentale cu conducte optimizate de la un capăt la altul.

⬤ Explorați instruirea distribuită la scară largă pentru modele și seturi de date cu exemple AWS și SageMaker.

⬤ Evaluați, implementați și operaționalizați modelele dvs. personalizate cu detectarea părtinirilor și monitorizarea conductelor.

Descrierea cărții:

Modelele Foundation au schimbat pentru totdeauna învățarea automată. De la BERT la ChatGPT, de la CLIP la Stable Diffusion, atunci când miliarde de parametri sunt combinați cu seturi mari de date și sute sau mii de GPU-uri, rezultatul nu este altceva decât un record. Recomandările, sfaturile și exemplele de cod din această carte vă vor ajuta să vă preinstruiți și să vă reglați propriile modele de bază de la zero pe AWS și Amazon SageMaker, aplicându-le în același timp la sute de cazuri de utilizare în cadrul organizației dvs.

Cu sfaturile expertului experimentat în AWS și machine learning Emily Webber, această carte vă ajută să învățați tot ce aveți nevoie pentru a trece de la idearea proiectului la pregătirea setului de date, instruire, evaluare și implementare pentru modele mari de limbaj, viziune și multimodale. Cu explicații pas cu pas ale conceptelor esențiale și exemple practice, veți trece de la stăpânirea conceptului de preformare la pregătirea setului de date și a modelului, configurarea mediului, formarea, reglarea fină, evaluarea, implementarea și optimizarea modelelor de bază.

Veți învăța cum să aplicați legile scalării la distribuirea modelului și a setului de date pe mai multe GPU-uri, să eliminați părtinirea, să obțineți un randament ridicat și să construiți conducte de implementare.

Până la sfârșitul acestei cărți, veți fi bine echipat pentru a vă îmbarca în propriul proiect de preinstruire și reglare fină a modelelor de bază ale viitorului.

Ce veți învăța:

⬤  Găsiți cazurile de utilizare și seturile de date potrivite pentru preinstruire și reglaj fin.

⬤ Pregătiți-vă pentru formarea pe scară largă cu acceleratoare și GPU-uri personalizate.

⬤ Configurați mediile pe AWS și SageMaker pentru a maximiza performanța.

⬤ Selectați hiperparametrii pe baza modelului și a constrângerilor dvs.

⬤ Distribuiți modelul și setul de date utilizând mai multe tipuri de paralelism.

⬤ Evitați capcanele cu reporniri ale lucrărilor, verificări intermitente ale stării de sănătate și multe altele.

⬤ Evaluați-vă modelul cu informații cantitative și calitative.

⬤ Deplasați-vă modelele cu îmbunătățiri în timp de execuție și conducte de monitorizare.

Pentru cine este această carte:

Dacă sunteți un cercetător sau un entuziast al învățării automate care dorește să înceapă un proiect de modelare de bază, această carte este pentru dvs. Oamenii de știință aplicați, oamenii de știință de date, inginerii de învățare automată, arhitecții de soluții, managerii de produs și studenții vor beneficia cu toții de această carte. Python-ul intermediar este o necesitate, împreună cu concepte introductive de cloud computing. Este necesară o înțelegere solidă a fundamentelor deep learning, în timp ce subiectele avansate vor fi explicate. Conținutul acoperă tehnici avansate de învățare automată și cloud, explicându-le într-un mod acționabil, ușor de înțeles.