Jälkikäteen ajateltuna grafiikkasuorittimien merkitys tekoälylle oli jotain, jonka ymmärsimme todella oikein!

Jännittävä uusi ammattitodistus: @lmoroney:n opettama PyTorch for Deep Learning on nyt saatavilla osoitteessa . Tämä on lopullinen ohjelma PyTorchin oppimiseen, joka on yksi tärkeimmistä kehyksistä, joita tutkijat käyttävät uraauurtavien tekoälyjärjestelmien rakentamiseen. Jos haluat ymmärtää, miten nykyaikaiset syväoppimismallit toimivat, tai luoda omia mukautettuja arkkitehtuureja, PyTorch antaa sinulle suoran hallinnan mallikehityksen keskeisiin näkökohtiin. Tämä kolmen kurssin ammattitodistus vie sinut perusteista edistyneiden arkkitehtuurien ja käyttöönoton kautta: Kurssi 1: PyTorch: Perusteet - Opi, miten PyTorch edustaa tietoja tensoreiden avulla ja miten tietojoukot sopivat koulutusprosessiin. Rakennat ja harjoittelet neuroverkkoja vaihe vaiheelta, seuraat koulutuksen edistymistä ja arvioit suorituskykyä. Loppuun mennessä ymmärrät PyTorchin työnkulun ja olet valmis suunnittelemaan, kouluttamaan ja testaamaan omia mallejasi. Kurssi 2: PyTorch: Tekniikat ja ekosysteemityökalut - Hallitse hyperparametrien optimointi, mallin profilointi ja työnkulun tehokkuus. Käytät opetteluaikatauluja, torjut ylisovitusta ja käytät automaattista viritystä Optunan avulla. Työskentele TorchVisionin kanssa visuaalista tekoälyä varten ja Hugging Facen kanssa NLP:tä varten. Opi siirto-oppimista ja hienosäädä esikoulutettuja malleja uusiin ongelmiin. Kurssi 3: PyTorch: Edistyneet arkkitehtuurit ja käyttöönotto - Rakenna kehittyneitä arkkitehtuureja, mukaan lukien Siamese Networks, ResNet, DenseNet ja Transformers. Lue, miten huomiomekanismit käyttävät nykyaikaisia kielimalleja ja miten diffuusiomallit luovat kuvia. Valmistele mallit käyttöönottoa varten ONNX:n, MLflow:n, karsimisen ja kvantisoinnin avulla. Taidot, joita saat: - Rakenna ja optimoi neuroverkkoja PyTorchissa, jota tutkijat käyttävät läpimurtomallien luomiseen - Hienosäädä esikoulutettuja malleja konenäköä ja NLP-tehtäviä varten – mukauta olemassa olevia malleja erityisten ongelmien ratkaisemiseksi - Toteuta muuntaja-arkkitehtuureja ja työskentele diffuusiomallien kanssa, jotka ovat ChatGPT:n ydinteknologioita ja modernia kuvantuotantoa - Optimoi mallit kvantisoinnilla ja karsimisella, jotta ne olisivat nopeita ja tehokkaita todellista käyttöönottoa varten Halusitpa sitten käyttää olemassa olevia malleja, rakentaa omia mukautettuja malleja tai vain ymmärtää, mitä käyttämiesi järjestelmien konepellin alla tapahtuu, tämä erikoistuminen antaa sinulle tämän perustan. Aloita PyTorchin oppiminen:

Jännittävä uusi kurssi: Hienosäätö ja vahvistusoppiminen LLM:ille: Johdatus jälkikoulutukseen, jota opettaa @realSharonZhou, @AMD:n tekoälyjohtaja. Saatavilla nyt osoitteessa . Jälkikoulutus on keskeinen tekniikka, jota frontier labs käyttää muuttaakseen perus-LLM:n – mallin, joka on koulutettu massiiviseen merkitsemättömään tekstiin seuraavan sanan/tunnuksen ennustamiseksi – hyödylliseksi ja luotettavaksi avustajaksi, joka osaa noudattaa ohjeita. Olen myös nähnyt monia sovelluksia, joissa jälkikoulutus muuttaa vain 80 % ajasta toimivan demosovelluksen luotettavaksi järjestelmäksi, joka toimii jatkuvasti. Tämä kurssi opettaa sinulle tärkeimmät harjoituksen jälkeiset tekniikat! Tällä 5 moduulin kurssilla Sharon opastaa sinut koko koulutuksen jälkeisen putken läpi: valvottu hienosäätö, palkitsemismallintaminen, RLHF ja tekniikat, kuten PPO ja GRPO. Opit myös käyttämään LoRA:ta tehokkaaseen koulutukseen ja suunnittelemaan evaleja, jotka havaitsevat ongelmat ennen käyttöönottoa ja sen jälkeen. Taidot, joita saat: - Soveltaa ohjattua hienosäätöä ja vahvistusoppimista (RLHF, PPO, GRPO) mallien kohdistamiseksi haluttuun käyttäytymiseen - Käytä LoRA:ta tehokkaaseen hienosäätöön kouluttamatta kokonaisia malleja uudelleen - Valmistele tietoaineistoja ja luo synteettistä dataa koulutuksen jälkeistä käyttöä varten - Ymmärrät, miten LLM-tuotantoputkia käytetään go/no-go-päätöspisteiden ja palautesilmukoiden avulla Nämä edistyneet menetelmät eivät enää rajoitu eturintaman tekoälylaboratorioihin, ja voit nyt käyttää niitä omissa sovelluksissasi. Lue täältä: