Nhìn lại, tầm quan trọng của GPU cho AI là điều mà chúng tôi thực sự đã đúng!

Một chứng chỉ chuyên nghiệp mới thú vị: PyTorch cho Học sâu do @lmoroney giảng dạy hiện đã có sẵn. Đây là chương trình hoàn hảo để học PyTorch, một trong những khung chính mà các nhà nghiên cứu sử dụng để xây dựng các hệ thống AI đột phá. Nếu bạn muốn hiểu cách các mô hình học sâu hiện đại hoạt động—hoặc xây dựng các kiến trúc tùy chỉnh của riêng bạn—PyTorch cho bạn quyền kiểm soát trực tiếp các khía cạnh chính của phát triển mô hình. Chứng chỉ chuyên nghiệp ba khóa học này đưa bạn từ những kiến thức cơ bản đến các kiến trúc nâng cao và triển khai: Khóa 1: PyTorch: Cơ bản - Tìm hiểu cách PyTorch đại diện cho dữ liệu bằng các tensor và cách các tập dữ liệu phù hợp vào quy trình đào tạo. Bạn sẽ xây dựng và đào tạo các mạng nơ-ron từng bước, theo dõi tiến trình đào tạo và đánh giá hiệu suất. Cuối cùng, bạn sẽ hiểu quy trình làm việc của PyTorch và sẵn sàng thiết kế, đào tạo và kiểm tra các mô hình của riêng bạn. Khóa 2: PyTorch: Kỹ thuật và Công cụ Hệ sinh thái - Làm chủ tối ưu hóa siêu tham số, phân tích mô hình và hiệu quả quy trình làm việc. Bạn sẽ sử dụng các bộ lập lịch tốc độ học, giải quyết vấn đề quá khớp và áp dụng tinh chỉnh tự động với Optuna. Làm việc với TorchVision cho AI hình ảnh và Hugging Face cho NLP. Tìm hiểu học chuyển giao và tinh chỉnh các mô hình đã được đào tạo trước cho các vấn đề mới. Khóa 3: PyTorch: Kiến trúc Nâng cao và Triển khai - Xây dựng các kiến trúc phức tạp bao gồm Mạng Siamese, ResNet, DenseNet và Transformers. Tìm hiểu cách các cơ chế chú ý thúc đẩy các mô hình ngôn ngữ hiện đại và cách các mô hình khuếch tán tạo ra hình ảnh. Chuẩn bị các mô hình cho việc triển khai với ONNX, MLflow, cắt tỉa và lượng tử hóa. Kỹ năng bạn sẽ có được: - Xây dựng và tối ưu hóa các mạng nơ-ron trong PyTorch—khung mà các nhà nghiên cứu sử dụng để tạo ra các mô hình đột phá - Tinh chỉnh các mô hình đã được đào tạo trước cho các nhiệm vụ thị giác máy tính và NLP—thích ứng các mô hình hiện có để giải quyết các vấn đề cụ thể của bạn - Triển khai các kiến trúc transformer và làm việc với các mô hình khuếch tán, công nghệ cốt lõi đứng sau ChatGPT và việc tạo hình ảnh hiện đại - Tối ưu hóa các mô hình với lượng tử hóa và cắt tỉa để làm cho chúng nhanh chóng và hiệu quả cho việc triển khai trong thế giới thực Dù bạn muốn sử dụng các mô hình có sẵn, xây dựng các mô hình tùy chỉnh của riêng bạn, hoặc chỉ đơn giản là hiểu những gì đang diễn ra bên trong các hệ thống bạn sử dụng, chuyên ngành này sẽ cung cấp cho bạn nền tảng đó. Bắt đầu học PyTorch:

Một khóa học mới thú vị: Tinh chỉnh và Học Tăng cường cho LLMs: Giới thiệu về Đào tạo sau, do @realSharonZhou, Phó Chủ tịch AI tại @AMD giảng dạy. Có sẵn ngay bây giờ tại . Đào tạo sau là kỹ thuật chính được các phòng thí nghiệm tiên tiến sử dụng để biến một LLM cơ bản - một mô hình được đào tạo trên một lượng lớn văn bản không gán nhãn để dự đoán từ/token tiếp theo - thành một trợ lý hữu ích, đáng tin cậy có thể tuân theo hướng dẫn. Tôi cũng đã thấy nhiều ứng dụng mà đào tạo sau là điều biến một ứng dụng demo chỉ hoạt động 80% thời gian thành một hệ thống đáng tin cậy hoạt động nhất quán. Khóa học này sẽ dạy bạn những kỹ thuật đào tạo sau quan trọng nhất! Trong khóa học 5 mô-đun này, Sharon sẽ hướng dẫn bạn qua toàn bộ quy trình đào tạo sau: tinh chỉnh có giám sát, mô hình thưởng, RLHF và các kỹ thuật như PPO và GRPO. Bạn cũng sẽ học cách sử dụng LoRA để đào tạo hiệu quả, và thiết kế các bài đánh giá để phát hiện vấn đề trước và sau khi triển khai. Kỹ năng bạn sẽ có được: - Áp dụng tinh chỉnh có giám sát và học tăng cường (RLHF, PPO, GRPO) để điều chỉnh các mô hình theo hành vi mong muốn - Sử dụng LoRA để tinh chỉnh hiệu quả mà không cần đào tạo lại toàn bộ mô hình - Chuẩn bị tập dữ liệu và tạo dữ liệu tổng hợp cho đào tạo sau - Hiểu cách vận hành các quy trình sản xuất LLM, với các điểm quyết định go/no-go và vòng phản hồi Những phương pháp tiên tiến này không còn giới hạn ở các phòng thí nghiệm AI tiên tiến nữa, và bạn giờ đây có thể sử dụng chúng trong các ứng dụng của riêng mình. Học ở đây: