En retrospectiva, ¡la importancia de las GPU para la IA fue algo que realmente hicimos bien!

Un nuevo y emocionante certificado profesional: PyTorch para Deep Learning impartido por @lmoroney ya está disponible en . Este es el programa definitivo para aprender PyTorch, que es uno de los principales marcos que utilizan los investigadores para construir sistemas de IA innovadores. Si desea comprender cómo funcionan los modelos modernos de aprendizaje profundo, o crear sus propias arquitecturas personalizadas, PyTorch le brinda control directo sobre los aspectos clave del desarrollo de modelos. Este certificado profesional de tres cursos lo lleva desde los fundamentos hasta las arquitecturas avanzadas y la implementación: Curso 1: PyTorch: Fundamentos - Aprenda cómo PyTorch representa los datos con tensores y cómo encajan los conjuntos de datos en el proceso de entrenamiento. Creará y entrenará redes neuronales paso a paso, supervisará el progreso del entrenamiento y evaluará el rendimiento. Al final, comprenderá el flujo de trabajo de PyTorch y estará listo para diseñar, entrenar y probar sus propios modelos. Curso 2: PyTorch: Técnicas y herramientas del ecosistema - Domine la optimización de hiperparámetros, la creación de perfiles de modelos y la eficiencia del flujo de trabajo. Utilizará programadores de velocidad de aprendizaje, abordará el sobreajuste y aplicará ajustes automatizados con Optuna. Trabaje con TorchVision para IA visual y Hugging Face para NLP. Aprenda el aprendizaje por transferencia y ajuste los modelos preentrenados para nuevos problemas. Curso 3: PyTorch: Arquitecturas avanzadas e implementación - Cree arquitecturas sofisticadas que incluyen Siamese Networks, ResNet, DenseNet y Transformers. Aprenda cómo los mecanismos de atención impulsan los modelos de lenguaje modernos y cómo los modelos de difusión generan imágenes. Prepare modelos para su implementación con ONNX, MLflow, eliminación y cuantificación. Habilidades que obtendrás: - Construir y optimizar redes neuronales en PyTorch, el marco que utilizan los investigadores para crear modelos innovadores - Ajuste los modelos preentrenados para tareas de visión artificial y NLP, adaptando los modelos existentes para resolver sus problemas específicos - Implementar arquitecturas de transformadores y trabajar con modelos de difusión, las tecnologías centrales detrás de ChatGPT y la generación de imágenes modernas. - Optimice los modelos con cuantificación y poda para que sean rápidos y eficientes para la implementación en el mundo real Ya sea que desee usar modelos preexistentes, crear sus propios modelos personalizados o simplemente comprender lo que sucede bajo el capó de los sistemas que utiliza, esta especialización le brindará esa base. Comienza a aprender PyTorch:

Un nuevo y emocionante curso: Ajuste fino y aprendizaje por refuerzo para LLM: Introducción a la capacitación posterior, impartido por @realSharonZhou, vicepresidente de IA en @AMD. Disponible ahora en . El entrenamiento posterior es la técnica clave utilizada por los laboratorios fronterizos para convertir un LLM base, un modelo entrenado en texto masivo sin etiquetar para predecir la siguiente palabra / token, en un asistente útil y confiable que puede seguir instrucciones. También he visto muchas aplicaciones en las que el entrenamiento posterior es lo que convierte una aplicación de demostración que funciona solo el 80% del tiempo en un sistema confiable que funciona de manera constante. ¡Este curso te enseñará las técnicas post-entrenamiento más importantes! En este curso de 5 módulos, Sharon lo guía a través de la línea completa posterior al entrenamiento: ajuste fino supervisado, modelado de recompensas, RLHF y técnicas como PPO y GRPO. También aprenderá a usar LoRA para un entrenamiento eficiente y a diseñar evaluaciones que detecten problemas antes y después de la implementación. Habilidades que obtendrás: - Aplicar el ajuste fino supervisado y el aprendizaje por refuerzo (RLHF, PPO, GRPO) para alinear los modelos con los comportamientos deseados - Utilice LoRA para un ajuste fino eficiente sin volver a entrenar modelos completos - Preparar conjuntos de datos y generar datos sintéticos para el entrenamiento posterior - Comprender cómo operar las canalizaciones de producción de LLM, con puntos de decisión y ciclos de retroalimentación de ir / no ir Estos métodos avanzados ya no se limitan a los laboratorios de IA de frontera, y ahora puede usarlos en sus propias aplicaciones. Aprende aquí: