Z perspektywy czasu, znaczenie GPU dla AI było czymś, co naprawdę dobrze przewidzieliśmy!

Ekscytujący nowy certyfikat zawodowy: PyTorch dla głębokiego uczenia prowadzone przez @lmoroney jest już dostępny. To jest ostateczny program do nauki PyTorch, który jest jednym z głównych frameworków używanych przez badaczy do budowy przełomowych systemów AI. Jeśli chcesz zrozumieć, jak działają nowoczesne modele głębokiego uczenia — lub zbudować własne architektury — PyTorch daje ci bezpośrednią kontrolę nad kluczowymi aspektami rozwoju modeli. Ten trzykursowy certyfikat zawodowy prowadzi cię od podstaw do zaawansowanych architektur i wdrożeń: Kurs 1: PyTorch: Podstawy - Naucz się, jak PyTorch reprezentuje dane za pomocą tensorów i jak zbiory danych pasują do procesu treningowego. Krok po kroku zbudujesz i wytrenujesz sieci neuronowe, monitorując postęp treningu i oceniając wydajność. Na koniec zrozumiesz przepływ pracy w PyTorch i będziesz gotowy do projektowania, trenowania i testowania własnych modeli. Kurs 2: PyTorch: Techniki i narzędzia ekosystemu - Opanuj optymalizację hiperparametrów, profilowanie modeli i efektywność przepływu pracy. Użyjesz harmonogramów szybkości uczenia, poradzisz sobie z nadmiernym dopasowaniem i zastosujesz automatyczne dostrajanie z Optuna. Pracuj z TorchVision dla wizualnej AI i Hugging Face dla NLP. Naucz się transferu uczenia i dostosuj wstępnie wytrenowane modele do nowych problemów. Kurs 3: PyTorch: Zaawansowane architektury i wdrożenie - Buduj zaawansowane architektury, w tym sieci syjamskie, ResNet, DenseNet i Transformatory. Dowiedz się, jak mechanizmy uwagi napędzają nowoczesne modele językowe i jak modele dyfuzji generują obrazy. Przygotuj modele do wdrożenia z ONNX, MLflow, przycinaniem i kwantyzacją. Umiejętności, które zdobędziesz: - Buduj i optymalizuj sieci neuronowe w PyTorch — frameworku, którego używają badacze do tworzenia przełomowych modeli - Dostosuj wstępnie wytrenowane modele do zadań związanych z wizją komputerową i NLP — dostosowując istniejące modele do rozwiązania swoich specyficznych problemów - Wdrażaj architektury transformatorów i pracuj z modelami dyfuzji, które są podstawowymi technologiami za ChatGPT i nowoczesną generacją obrazów - Optymalizuj modele za pomocą kwantyzacji i przycinania, aby były szybkie i efektywne w rzeczywistych wdrożeniach Niezależnie od tego, czy chcesz używać istniejących modeli, budować własne modele, czy po prostu zrozumieć, co się dzieje w systemach, z których korzystasz, ta specjalizacja da ci tę podstawę. Zacznij uczyć się PyTorch:

Ekscytujący nowy kurs: Dostosowywanie i uczenie przez wzmocnienie dla LLM: Wprowadzenie do post-treningu, prowadzony przez @realSharonZhou, VP AI w @AMD. Dostępny teraz w . Post-trening to kluczowa technika stosowana przez laboratoria na czołowej linii, aby przekształcić podstawowy LLM - model wytrenowany na ogromnych, nieoznakowanych tekstach do przewidywania następnego słowa/tokenu - w pomocnego, niezawodnego asystenta, który potrafi wykonywać polecenia. Widziałem również wiele zastosowań, gdzie post-trening to to, co przekształca aplikację demonstracyjną, która działa tylko w 80% czasu, w niezawodny system, który działa konsekwentnie. Ten kurs nauczy cię najważniejszych technik post-treningu! W tym 5-modułowym kursie Sharon przeprowadzi cię przez kompletny proces post-treningu: nadzorowane dostosowywanie, modelowanie nagród, RLHF oraz techniki takie jak PPO i GRPO. Nauczysz się również korzystać z LoRA do efektywnego treningu oraz projektować ewaluacje, które wychwycą problemy przed i po wdrożeniu. Umiejętności, które zdobędziesz: - Zastosowanie nadzorowanego dostosowywania i uczenia przez wzmocnienie (RLHF, PPO, GRPO) do dostosowywania modeli do pożądanych zachowań - Użycie LoRA do efektywnego dostosowywania bez ponownego trenowania całych modeli - Przygotowanie zbiorów danych i generowanie danych syntetycznych do post-treningu - Zrozumienie, jak działać w produkcyjnych pipeline'ach LLM, z punktami decyzyjnymi go/no-go i pętlami feedbackowymi Te zaawansowane metody nie są już ograniczone tylko do czołowych laboratoriów AI, a teraz możesz je wykorzystać w swoich własnych aplikacjach. Ucz się tutaj: