Avis des lecteurs
Résumé:Le livre est une ressource sur l'apprentissage profond évolutif, loué pour ses exercices pratiques et ses explications claires, mais critiqué pour sa couverture superficielle des sujets avancés et le manque d'accent sur l'inférence dans la production de modèles.
Avantages:Le livre est recommandé pour ses ressources fantastiques, son élégance dans la démystification de concepts complexes et ses exercices pratiques efficaces qui renforcent les compétences dans le monde réel.
Inconvénients:Le livre est trop général dans ses discussions, manque de profondeur pour les professionnels, se concentre fortement sur la formation plutôt que sur l'inférence, et ne fournit pas d'indications sur la construction de services LLM/DL qui répondent aux exigences de fiabilité.
(basé sur 2 avis de lecteurs)
Titre original :
Deep Learning at Scale: At the Intersection of Hardware, Software, and Data
Contenu du livre :
La mise en production à grande échelle d'un projet d'apprentissage profond est un véritable défi. Pour réussir à faire évoluer votre projet, il est nécessaire d'avoir une compréhension fondamentale de la pile complète d'apprentissage profond, y compris les connaissances qui se situent à l'intersection du matériel, des logiciels, des données et des algorithmes.
Ce livre illustre les concepts complexes de l'apprentissage profond à pile complète et les renforce par des exercices pratiques afin de vous doter des outils et des techniques nécessaires à la mise à l'échelle de votre projet. Un effort de mise à l'échelle n'est bénéfique que s'il est efficace et efficient. C'est pourquoi ce guide explique les concepts et les techniques complexes qui vous aideront à mettre à l'échelle votre projet de manière efficace et efficiente.
Vous acquerrez une compréhension approfondie de ce qui suit : ⬤ Comment les données circulent dans la base de données profonde ?
⬤ Comment les données circulent dans le réseau d'apprentissage profond et le rôle que jouent les graphes de calcul dans la construction de votre modèle.
⬤ Comment le calcul accéléré accélère votre formation et comment vous pouvez utiliser au mieux les ressources à votre disposition.
⬤ Comment former votre modèle en utilisant des paradigmes de formation distribués, c'est-à-dire le parallélisme des données, du modèle et du pipeline.
⬤ Comment exploiter les écosystèmes PyTorch en conjonction avec les bibliothèques NVIDIA et Triton pour mettre à l'échelle l'entraînement de votre modèle.
⬤ Le débogage, la surveillance et l'investigation des goulots d'étranglement indésirables qui ralentissent l'apprentissage de votre modèle.
⬤ Comment accélérer le cycle de vie de la formation et rationaliser votre boucle de rétroaction pour itérer le développement du modèle.
⬤ Un ensemble d'astuces et de techniques liées aux données et la manière de les appliquer pour faire évoluer votre modèle d'apprentissage.
⬤ Comment sélectionner les bons outils et techniques pour votre projet d'apprentissage profond.
⬤ Les options de gestion de l'infrastructure informatique lors de l'exécution à grande échelle.
Autres informations sur le livre :
| ISBN : | 9781098145286 |
| Auteur : | |
| Éditeur : | |
| Langue : | anglais |
| Reliure : | Broché |
| Année de publication : | 2024 |
| Nombre de pages : | 400 |
Achat:
Actuellement disponible, en stock.
