Im Nachhinein war die Bedeutung von GPUs für KI etwas, das wir wirklich richtig eingeschätzt haben!

Ein spannendes neues berufliches Zertifikat: PyTorch für Deep Learning, unterrichtet von @lmoroney, ist jetzt verfügbar. Dies ist das definitive Programm, um PyTorch zu lernen, eines der Hauptframeworks, die Forscher verwenden, um bahnbrechende KI-Systeme zu entwickeln. Wenn Sie verstehen möchten, wie moderne Deep-Learning-Modelle funktionieren – oder Ihre eigenen benutzerdefinierten Architekturen erstellen möchten – gibt Ihnen PyTorch die direkte Kontrolle über die wichtigsten Aspekte der Modellentwicklung. Dieses dreikursige berufliche Zertifikat führt Sie von den Grundlagen bis zu fortgeschrittenen Architekturen und der Bereitstellung: Kurs 1: PyTorch: Grundlagen - Lernen Sie, wie PyTorch Daten mit Tensoren darstellt und wie Datensätze in den Trainingsprozess passen. Sie werden Schritt für Schritt neuronale Netzwerke aufbauen und trainieren, den Trainingsfortschritt überwachen und die Leistung bewerten. Am Ende werden Sie den Workflow von PyTorch verstehen und bereit sein, Ihre eigenen Modelle zu entwerfen, zu trainieren und zu testen. Kurs 2: PyTorch: Techniken und Ökosystem-Tools - Meistern Sie die Hyperparameter-Optimierung, das Modell-Profiling und die Effizienz des Workflows. Sie werden Lernraten-Scheduler verwenden, Überanpassung angehen und automatisiertes Tuning mit Optuna anwenden. Arbeiten Sie mit TorchVision für visuelle KI und Hugging Face für NLP. Lernen Sie Transferlernen und passen Sie vortrainierte Modelle an neue Probleme an. Kurs 3: PyTorch: Fortgeschrittene Architekturen und Bereitstellung - Bauen Sie anspruchsvolle Architekturen, einschließlich Siamese Networks, ResNet, DenseNet und Transformers. Lernen Sie, wie Aufmerksamkeitsmechanismen moderne Sprachmodelle antreiben und wie Diffusionsmodelle Bilder generieren. Bereiten Sie Modelle für die Bereitstellung mit ONNX, MLflow, Pruning und Quantisierung vor. Fähigkeiten, die Sie erwerben werden: - Bauen und optimieren Sie neuronale Netzwerke in PyTorch – dem Framework, das Forscher verwenden, um bahnbrechende Modelle zu erstellen - Feinabstimmung vortrainierter Modelle für Computer Vision und NLP-Aufgaben – Anpassung bestehender Modelle zur Lösung Ihrer spezifischen Probleme - Implementieren Sie Transformer-Architekturen und arbeiten Sie mit Diffusionsmodellen, den Kerntechnologien hinter ChatGPT und moderner Bildgenerierung - Optimieren Sie Modelle mit Quantisierung und Pruning, um sie schnell und effizient für die Bereitstellung in der realen Welt zu machen Egal, ob Sie vorgefertigte Modelle verwenden, Ihre eigenen benutzerdefinierten Modelle erstellen oder einfach verstehen möchten, was im Hintergrund der Systeme passiert, die Sie verwenden, wird Ihnen diese Spezialisierung diese Grundlage bieten. Beginnen Sie mit dem Lernen von PyTorch:

Ein spannender neuer Kurs: Feinabstimmung und Verstärkendes Lernen für LLMs: Einführung in das Post-Training, unterrichtet von @realSharonZhou, VP für KI bei @AMD. Jetzt verfügbar unter . Post-Training ist die Schlüsseltechnik, die von führenden Laboren verwendet wird, um ein Basis-LLM – ein Modell, das auf massiven, unbeschrifteten Texten trainiert wurde, um das nächste Wort/Token vorherzusagen – in einen hilfreichen, zuverlässigen Assistenten zu verwandeln, der Anweisungen befolgen kann. Ich habe auch viele Anwendungen gesehen, bei denen das Post-Training das, was eine Demoversion ist, die nur 80 % der Zeit funktioniert, in ein zuverlässiges System verwandelt, das konstant gute Leistungen erbringt. Dieser Kurs wird Ihnen die wichtigsten Post-Training-Techniken beibringen! In diesem 5-moduligen Kurs führt Sharon Sie durch die gesamte Post-Training-Pipeline: überwachte Feinabstimmung, Belohnungsmodellierung, RLHF und Techniken wie PPO und GRPO. Sie werden auch lernen, LoRA für effizientes Training zu verwenden und Evaluierungen zu entwerfen, die Probleme vor und nach der Bereitstellung erkennen. Fähigkeiten, die Sie erwerben werden: - Überwachte Feinabstimmung und Verstärkendes Lernen (RLHF, PPO, GRPO) anwenden, um Modelle an gewünschte Verhaltensweisen anzupassen - LoRA für effiziente Feinabstimmung ohne vollständiges Retraining von Modellen verwenden - Datensätze vorbereiten und synthetische Daten für das Post-Training generieren - Verstehen, wie man LLM-Produktionspipelines betreibt, mit Go/No-Go-Entscheidungspunkten und Feedbackschleifen Diese fortgeschrittenen Methoden sind nicht mehr nur auf führende KI-Labore beschränkt, und Sie können sie jetzt in Ihren eigenen Anwendungen verwenden. Hier lernen: