Оглядываясь назад, мы действительно правильно оценили важность графических процессоров (GPU) для ИИ!

Увлекательный новый профессиональный сертификат: PyTorch для глубокого обучения, преподаваемый @lmoroney, теперь доступен. Это окончательная программа для изучения PyTorch, который является одной из основных платформ, используемых исследователями для создания прорывных систем ИИ. Если вы хотите понять, как работают современные модели глубокого обучения — или создать свои собственные архитектуры — PyTorch дает вам прямой контроль над ключевыми аспектами разработки моделей. Этот трехкурсной профессиональный сертификат проведет вас от основ до продвинутых архитектур и развертывания: Курс 1: PyTorch: Основы - Узнайте, как PyTorch представляет данные с помощью тензоров и как наборы данных вписываются в процесс обучения. Вы будете шаг за шагом строить и обучать нейронные сети, отслеживать процесс обучения и оценивать производительность. К концу курса вы поймете рабочий процесс PyTorch и будете готовы разрабатывать, обучать и тестировать свои собственные модели. Курс 2: PyTorch: Техники и инструменты экосистемы - Освойте оптимизацию гиперпараметров, профилирование моделей и эффективность рабочего процесса. Вы будете использовать планировщики скорости обучения, бороться с переобучением и применять автоматическую настройку с помощью Optuna. Работайте с TorchVision для визуального ИИ и Hugging Face для NLP. Изучите трансферное обучение и донастройте предварительно обученные модели для новых задач. Курс 3: PyTorch: Продвинутые архитектуры и развертывание - Создавайте сложные архитектуры, включая сиамские сети, ResNet, DenseNet и трансформеры. Узнайте, как механизмы внимания управляют современными языковыми моделями и как диффузионные модели генерируют изображения. Подготовьте модели к развертыванию с помощью ONNX, MLflow, обрезки и квантизации. Навыки, которые вы получите: - Создавайте и оптимизируйте нейронные сети в PyTorch — платформе, которую исследователи используют для создания прорывных моделей - Донастраивайте предварительно обученные модели для задач компьютерного зрения и NLP — адаптируя существующие модели для решения ваших конкретных проблем - Реализуйте архитектуры трансформеров и работайте с диффузионными моделями, основными технологиями за ChatGPT и современным созданием изображений - Оптимизируйте модели с помощью квантизации и обрезки, чтобы сделать их быстрыми и эффективными для развертывания в реальном мире Хотите ли вы использовать существующие модели, создать свои собственные модели или просто понять, что происходит под капотом систем, которые вы используете, эта специализация даст вам эту основу. Начните изучать PyTorch:

Увлекательный новый курс: Тонкая настройка и Обучение с подкреплением для LLM: Введение в постобучение, который ведет @realSharonZhou, вице-президент по ИИ в @AMD. Доступен сейчас на . Постобучение — это ключевая техника, используемая передовыми лабораториями для превращения базовой LLM — модели, обученной на огромном объеме неразмеченного текста для предсказания следующего слова/токена — в полезного, надежного помощника, который может следовать инструкциям. Я также видел много приложений, где постобучение превращает демонстрационное приложение, которое работает только 80% времени, в надежную систему, которая постоянно выполняет задачи. Этот курс научит вас самым важным техникам постобучения! В этом курсе из 5 модулей Шарон проведет вас через полный процесс постобучения: контролируемая тонкая настройка, моделирование вознаграждений, RLHF и такие техники, как PPO и GRPO. Вы также научитесь использовать LoRA для эффективного обучения и разрабатывать оценки, которые выявляют проблемы до и после развертывания. Навыки, которые вы получите: - Применять контролируемую тонкую настройку и обучение с подкреплением (RLHF, PPO, GRPO) для согласования моделей с желаемым поведением - Использовать LoRA для эффективной тонкой настройки без повторного обучения целых моделей - Подготавливать наборы данных и генерировать синтетические данные для постобучения - Понимать, как управлять производственными конвейерами LLM, с точками принятия решений go/no-go и обратными связями Эти продвинутые методы больше не ограничиваются передовыми лабораториями ИИ, и теперь вы можете использовать их в своих собственных приложениях. Узнайте здесь: