مطالب پیشنهادی از سراسر وب

آموزش استقرار مدل های PyTorch در محصول: PyTorch Playbook

دسته بندی ها: آموزش پای تورچ (PyTorch) ، آموزش پایتون (Python) ، آموزش های پلورال سایت (Pluralsight)

PyTorch به دلیل انعطاف پذیری، سهولت استفاده و پشتیبانی داخلی از سخت افزارهای بهینه شده مانند GPU به سرعت در حال پدیدار شدن به عنوان یک گزینه محبوب در ساخت مدل های یادگیری عمیق است. با استفاده از PyTorch، می توانید مدل های پیچیده یادگیری عمیق ایجاد کنید، در حالی که هنوز از پشتیبانی بومی Python برای اشکال زدایی و مصورسازی استفاده می کنید.

شما در این دوره، توانایی استفاده از قابلیت های پیشرفته برای سری سازی و غیر سری سازی مدل های PyTorch، آموزش و سپس پیاده سازی آن ها برای پیش بینی را به دست خواهید آورید. ابتدا یاد خواهید گرفت که متدهای load_state_dict و ()torch.save و ()torch.load چه تفاوتی با یکدیگر دارند و مزایا و معایب نسبی آن ها نسبت به یکدیگر چیست. سپس، یاد می گیرید که چگونه از state_dict استفاده کنید که یک دیکشنری مفید با اطلاعاتی درباره پارامترها و همچنین هایپرپارامترها است.

سپس، خواهید دید که چگونه می توان از رویکردهای پردازش چندگانه، داده موازی و داده موازی توزیع شده برای آموزش توزیع شده در PyTorch استفاده کرد. شما یک مدل PyTorch را روی خوشه ای توزیع شده با استفاده از API های برآورد کننده سطح بالا آموزش خواهید داد. در پایان، نحوه استقرار مدل های PyTorch با استفاده از یک اپلیکیشن Flask، یک Clipper cluster و یک محیط serverless را بررسی خواهید کرد. پس از اتمام این دوره، مهارت و دانش لازم برای انجام آموزش توزیع شده و استقرار مدل های PyTorch و استفاده از مکانیزم های پیشرفته برای سری سازی و غیر سری سازی مدل را دارید.

بررسی دوره

آیا این نوشته را دوست داشتید؟
Pluralsight Deploying PyTorch Models in Production: PyTorch Playbook Author:Janani Ravi Duration:2:13:32 Level:Advanced

PyTorch is fast emerging as a popular choice for building deep learning models owing to its flexibility, ease-of-use, and built-in support for optimized hardware such as GPUs. Using PyTorch, you can build complex deep learning models, while still using Python-native support for debugging and visualization. In this course, Deploying PyTorch Models in Production: PyTorch Playbook you will gain the ability to leverage advanced functionality for serializing and deserializing PyTorch models, training, and then deploying them for prediction. First, you will learn how the load_state_dict and the torch.save() and torch.load() methods complement and differ from each other, and the relative pros and cons of each. Next, you will discover how to leverage the state_dict which is a handy dictionary with information about parameters as well as hyperparameters. Then, you will see how the multiprocessing, data-parallel, and distributed data-parallel approaches to distributed training can be used in PyTorch. You will train a PyTorch model on a distributed cluster using high-level estimator APIs. Finally, you will explore how to deploy PyTorch models using a Flask application, a Clipper cluster, and a serverless environment. When you’re finished with this course, you will have the skills and knowledge to perform distributed training and deployment of PyTorch models and utilize advanced mechanisms for model serialization and deserialization.

پیشنهاد آموزش مرتبط در فرادرس