Előzetes látás- és nagy nyelvi modellek Pythonban: Végponttól végpontig tartó technikák az AWS-en történő alapmodellek építéséhez és telepítéséhez

Olvasói vélemények

Emily Webber „Pretrain Vision and Large Language Models in Python” című könyve egy átfogó útmutató, amely segít az olvasóknak megérteni és telepíteni az alapmodelleket az AWS és az Amazon SageMaker használatával. Gyakorlati tanácsokat, részletes tárgyalásokat és kódmintákat tartalmaz, amelyek mind a kezdőknek, mind a haladóknak szólnak. Vannak azonban olyan problémák, mint például a nyomtatási hibák néhány példányban, és néhány olvasó hiányolta a könyv mélységét, vagy úgy érezte, hogy túl sokat próbál lefedni anélkül, hogy értelmes részletekbe menne.

Átfogó lefedettség az alapozó modellképzés és -beépítés terén, gyakorlati példák és kódminták, jól strukturált útmutatás, szakértői meglátások a szerzőtől, kezdőknek és haladó felhasználóknak egyaránt alkalmas, időszerű forrás a nagy nyelvi modellek iránti növekvő érdeklődés közepette.

Néhány példányban nyomtatási hibák voltak (hiányzó oldalak, fejjel lefelé fordított oldalak), a mélytanulással kapcsolatos előzetes ismereteket igényelhet, bizonyos területeken hiányozhat a mélység, egyes olvasók túl szélesnek és kuszának érezték, és a SageMaker eladási reklámjaként olvasható.

(15 olvasói vélemény alapján)

Eredeti címe:

Pretrain Vision and Large Language Models in Python: End-to-end techniques for building and deploying foundation models on AWS

Könyv tartalma:

A látás és a nagyméretű nyelvi modellek képzésének művészetének elsajátítása koncepcionális alapokkal és ipari szakértői útmutatással. Ismerje meg az AWS-szolgáltatásokat és tervezési mintákat, releváns kódolási példákkal

Főbb jellemzők:

⬤ Tanuljon meg alapmodelleket fejleszteni, képezni, hangolni és alkalmazni optimalizált végponttól végpontig tartó pipelinekkel.

⬤ Tapasztalja meg a modellek és adathalmazok nagyszabású, elosztott képzését AWS és SageMaker példákkal.

⬤ Értékesítse, telepítse és működtesse egyéni modelljeit torzításérzékeléssel és csővezeték-felügyelettel.

A könyv leírása:

Az alapmodellek örökre megváltoztatták a gépi tanulást. A BERT-től a ChatGPT-ig, a CLIP-től a Stable Diffusionig, amikor több milliárd paramétert kombinálunk nagy adathalmazokkal és több száz vagy ezer GPU-val, az eredmény nem kevesebb, mint rekordot döntögető. A könyvben található ajánlások, tanácsok és kódminták segítenek abban, hogy a semmiből kiindulva az AWS-en és az Amazon SageMakerben előzetesen betanítsa és finomhangolja saját alapmodelljeit, miközben szervezetének több száz felhasználási esetére alkalmazza azokat.

Emily Webber, az AWS és a gépi tanulás tapasztalt szakértőjének tanácsaival ez a könyv segít megtanulni mindent, amire a projekt ötletelésétől az adathalmazok előkészítéséig, a képzésig, az értékelésig és a nagyméretű nyelvi, látási és multimodális modellek telepítéséig szükség van. Az alapvető fogalmak lépésről lépésre történő magyarázatával és gyakorlati példákkal az előképzés fogalmának elsajátításától az adathalmaz és a modell előkészítésén, a környezet konfigurálásán, a képzésen, a finomhangoláson, az értékelésen, a telepítésen és az alapmodellek optimalizálásán át juthat el.

Megtanulja, hogyan alkalmazza a skálázási törvényeket a modell és az adathalmaz több GPU-ra történő elosztására, a torzítások eltávolítására, a nagy áteresztőképesség elérésére és a telepítési pipelinek felépítésére.

A könyv végére jól felszerelt lesz ahhoz, hogy belevágjon saját projektjébe a jövő alapmodelljeinek előképzéséhez és finomhangolásához.

Amit tanulni fog:

⬤ A megfelelő felhasználási esetek és adatkészletek megtalálása az előképzéshez és finomhangoláshoz.

⬤ Készüljön fel a nagyszabású képzésre egyedi gyorsítókkal és GPU-kkal.

⬤ Konfigurálja az AWS és a SageMaker környezeteket a teljesítmény maximalizálása érdekében.

⬤ Válassza ki a hiperparamétereket a modellje és a korlátozások alapján.

⬤ Disztribúció a modell és az adatkészlet sokféle párhuzamossági típus használatával.

⬤ Kerülje el a munka újraindításával, időszakos állapotellenőrzésekkel és egyebekkel kapcsolatos buktatókat.

⬤ Értékesítse modelljét mennyiségi és minőségi betekintéssel.

⬤ Telepítse modelljeit futásidő-fejlesztésekkel és felügyeleti pipelinekkel.

Kinek szól ez a könyv:

Ha Ön gépi tanulással foglalkozó kutató vagy rajongó, aki egy alapozó modellezési projektbe szeretne belevágni, ez a könyv Önnek szól. Alkalmazott tudósok, adattudósok, gépi tanulási mérnökök, megoldás-architektek, termékmenedzserek és diákok egyaránt profitálhatnak ebből a könyvből. A Python középfokú ismeretei elengedhetetlenek, valamint a felhőalapú számítástechnika bevezető fogalmai. A mélytanulás alapjainak alapos ismerete szükséges, míg a haladó témaköröket elmagyarázzuk. A tartalom a fejlett gépi tanulási és felhőtechnológiákat tárgyalja, és azokat gyakorlatias, könnyen érthető módon magyarázza el.