Deep Learning at Scale: A hardver, a szoftver és az adatok metszéspontjában

Olvasói vélemények

A könyv a skálázható mélytanulással foglalkozó forrás, amelyet gyakorlati gyakorlataiért és világos magyarázataiért dicsérnek, de kritizálják a fejlett témák felületes lefedettsége és a modellgyártás során a következtetésre való összpontosítás hiánya miatt.

A könyvet fantasztikus leleményessége, az összetett fogalmak demisztifikálásában mutatott eleganciája és a valós készségeket fejlesztő hatékony gyakorlati gyakorlatok miatt ajánljuk.

A könyv túlságosan általánosan tárgyalja a témákat, nincs mélysége a szakemberek számára, erősen összpontosít a képzésre, nem pedig a következtetésre, és nem nyújt betekintést a megbízhatósági követelményeknek megfelelő LLM/DL szolgáltatások felépítésébe.

(2 olvasói vélemény alapján)

Eredeti címe:

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

Könyv tartalma:

Egy mélytanulási projektet nagy léptékben termelésbe állítani elég nagy kihívás. A projekt sikeres skálázásához szükség van a teljes mélytanulás alapszintű megértésére, beleértve a hardver, a szoftver, az adatok és az algoritmusok metszéspontjában rejlő ismereteket.

Ez a könyv bemutatja a teljes verem mélytanulás komplex fogalmait, és gyakorlati feladatokon keresztül megerősíti azokat, hogy felvértezze Önt a projekt skálázásához szükséges eszközökkel és technikákkal. A skálázási erőfeszítés csak akkor előnyös, ha hatékony és eredményes. Ennek érdekében ez az útmutató elmagyarázza azokat a bonyolult fogalmakat és technikákat, amelyek segítenek a hatékony és eredményes skálázásban.

Alapos ismereteket szerezhet a következőkről:

⬤ Hogyan áramlanak az adatok a mélytanulási hálózaton keresztül, és milyen szerepet játszanak a számítási gráfok a modell felépítésében.

⬤ Hogyan gyorsított számítással hogyan gyorsítja fel a képzést, és hogyan használhatja ki legjobban a rendelkezésére álló erőforrásokat.

⬤ Hogyan képezheti modelljét elosztott képzési paradigmák, azaz adat-, modell- és csővezeték-párhuzamosság használatával.

⬤ Hogyan lehet kihasználni a PyTorch ökoszisztémákat az NVIDIA könyvtárakkal és a Tritonnal együtt a modellképzés skálázásához.

⬤ A modellképzést lassító nemkívánatos szűk keresztmetszetek hibakeresése, nyomon követése és vizsgálata.

⬤ Hogyan gyorsíthatja fel a képzési életciklust és egyszerűsítheti a visszacsatolási hurkot a modellfejlesztés iterációja érdekében.

⬤ Egy sor adattrükk és -technika, valamint ezek alkalmazása a képzési modell skálázásához.

⬤ Hogyan válassza ki a megfelelő eszközöket és technikákat a mélytanulási projektjéhez.

⬤ A számítási infrastruktúra kezelésének lehetőségei a méretarányos futtatás során.