Hlboké učenie vo veľkom meradle: Na priesečníku hardvéru, softvéru a údajov

Recenzie čitateľov

Kniha je zdrojom informácií o škálovateľnom hlbokom učení, chválená za praktické cvičenia a jasné vysvetlenia, ale kritizovaná za povrchné pokrytie pokročilých tém a nedostatočné zameranie na odvodzovanie pri tvorbe modelov.

Knihu odporúčame pre jej fantastickú nápaditosť, eleganciu pri demystifikácii zložitých konceptov a účinné praktické cvičenia, ktoré budujú reálne zručnosti.

Kniha je v diskusiách príliš všeobecná, chýba jej hĺbka pre odborníkov, zameriava sa vo veľkej miere na školenia, a nie na inferenciu, a neposkytuje poznatky o budovaní služieb LLM/DL, ktoré spĺňajú požiadavky na spoľahlivosť.

(na základe 2 čitateľských recenzií)

Pôvodný názov:

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

Obsah knihy:

Zavedenie projektu hlbokého učenia do produkcie v širokom meradle je pomerne náročné. Na úspešné rozšírenie projektu sú potrebné základné znalosti o hlbokom učení vrátane znalostí, ktoré sa nachádzajú na rozhraní hardvéru, softvéru, údajov a algoritmov.

Táto kniha ilustruje komplexné koncepty full stack deep learningu a posilňuje ich prostredníctvom praktických cvičení, aby vás vyzbrojila nástrojmi a technikami na škálovanie vášho projektu. Škálovanie je prospešné len vtedy, keď je efektívne a účinné. Na tento účel táto príručka vysvetľuje zložité koncepty a techniky, ktoré vám pomôžu efektívne a účinne škálovať.

Získate dôkladné znalosti o:

⬤ Ako údaje prúdia cez sieť hlbokého učenia a akú úlohu zohrávajú výpočtové grafy pri budovaní vášho modelu.

⬤ Ako zrýchlené výpočty urýchľujú vaše trénovanie a ako najlepšie môžete využiť zdroje, ktoré máte k dispozícii.

⬤ Ako trénovať svoj model pomocou distribuovaných paradigiem trénovania, t. j. paralelnosti údajov, modelu a potrubia.

⬤ Ako využiť ekosystémy PyTorch v spojení s knižnicami NVIDIA a Triton na škálovanie trénovania vášho modelu.

⬤ Odstraňovanie, monitorovanie a skúmanie nežiaducich prekážok, ktoré spomaľujú trénovanie modelu.

⬤ Ako urýchliť životný cyklus školenia a zefektívniť spätnú väzbu na iteráciu vývoja modelu.

⬤ Súbor dátových trikov a techník a spôsob ich použitia na škálovanie vášho tréningového modelu.

⬤ Ako vybrať správne nástroje a techniky pre váš projekt hlbokého učenia.

⬤ Možnosti správy výpočtovej infraštruktúry pri prevádzke v mierke.