Pretrain Vision a velké jazykové modely v jazyce Python: Koncové techniky pro vytváření a nasazení základních modelů na AWS

Recenze čtenářů

Kniha „Pretrain Vision and Large Language Models in Python“ od Emily Webber je komplexní příručka, která čtenářům pomůže pochopit a nasadit základní modely pomocí AWS a Amazon SageMaker. Poskytuje praktické rady, podrobné diskuse a ukázky kódu, které jsou určeny jak začátečníkům, tak pokročilým uživatelům. V některých výtiscích se však objevily problémy, jako jsou tiskové chyby, a někteří čtenáři shledali, že kniha není dostatečně hluboká nebo že se snaží obsáhnout příliš mnoho, aniž by šla do smysluplných podrobností.

Komplexní pokrytí základního tréninku a nasazení modelů, praktické příklady a ukázky kódu, dobře strukturovaný návod, odborné postřehy autora, vhodné pro začátečníky i pokročilé uživatele, aktuální zdroj v době rostoucího zájmu o velké jazykové modely.

Některé výtisky měly tiskové chyby (chybějící stránky, převrácené stránky), může vyžadovat předchozí znalosti hlubokého učení, v některých oblastech může postrádat hloubku, někteří čtenáři měli pocit, že je příliš široká a nepřehledná, a může se číst jako prodejní prezentace SageMakeru.

(na základě 15 hodnocení čtenářů)

Původní název:

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

Obsah knihy:

Ovládněte umění trénování vidění a velkých jazykových modelů s koncepčními základy a odborným vedením. Poznejte služby AWS a návrhové vzory s příslušnými příklady kódování.

Klíčové vlastnosti:

⬤ Naučte se vyvíjet, trénovat, ladit a aplikovat fundamentální modely s optimalizovanými end-to-end pipelines.

⬤ Prozkoumejte rozsáhlé distribuované školení modelů a datových sad s příklady AWS a SageMaker.

⬤ Vyhodnoťte, nasaďte a zprovozněte vlastní modely s detekcí zkreslení a sledováním pipeline.

Popis knihy:

Modely Foundation navždy změnily strojové učení. Od BERTu přes ChatGPT, CLIP až po stabilní difúzi, když se miliardy parametrů zkombinují s velkými datovými sadami a stovkami až tisíci GPU, výsledek není nic jiného než lámání rekordů. Doporučení, rady a ukázky kódu v této knize vám pomohou předtrénovat a vyladit vlastní základní modely od nuly na systémech AWS a Amazon SageMaker a zároveň je aplikovat na stovky případů použití ve vaší organizaci.

Díky radám zkušené odbornice na AWS a strojové učení Emily Webberové se v této knize dozvíte vše, co potřebujete k tomu, abyste se dostali od nápadu na projekt až po přípravu datové sady, trénování, vyhodnocení a nasazení rozsáhlých jazykových, zrakových a multimodálních modelů. Díky vysvětlení základních pojmů krok za krokem a praktickým příkladům se dostanete od zvládnutí konceptu předtrénování k přípravě datové sady a modelu, konfiguraci prostředí, trénování, dolaďování, vyhodnocování, nasazení a optimalizaci základních modelů.

Naučíte se, jak aplikovat zákony škálování na distribuci modelu a datové sady na více GPU, odstraňovat zkreslení, dosahovat vysoké propustnosti a vytvářet pipeline nasazení.

Na konci této knihy budete dobře vybaveni, abyste se mohli pustit do vlastního projektu předtrénování a vyladění základních modelů budoucnosti.

Co se naučíte:

⬤ Najít správné případy použití a datové sady pro předtrénování a vyladění.

⬤ Připravit se na rozsáhlé školení s vlastními akcelerátory a GPU.

⬤ Konfigurovat prostředí na AWS a SageMaker pro maximalizaci výkonu.

⬤ Vyberte hyperparametry na základě svého modelu a omezení.

⬤ Distribuujte svůj model a datovou sadu pomocí mnoha typů paralelismu.

⬤ Vyhněte se nástrahám při restartech úloh, přerušovaných kontrolách stavu a dalším.

⬤ Vyhodnoťte svůj model pomocí kvantitativních a kvalitativních poznatků.

⬤ Zavádějte své modely pomocí vylepšení za běhu a monitorovacích potrubí.

Pro koho je tato kniha určena:

Pokud jste výzkumník nebo nadšenec do strojového učení, který chce začít s modelováním základů, je tato kniha určena právě vám. Tuto knihu využijí aplikovaní vědci, datoví vědci, inženýři strojového učení, architekti řešení, produktoví manažeři i studenti. Nezbytnou součástí je středně pokročilý jazyk Python a úvodní pojmy z oblasti cloud computingu. Nutná je dobrá znalost základů hlubokého učení, zatímco pokročilá témata budou vysvětlena. Obsah pokrývá pokročilé techniky strojového učení a cloudu a vysvětluje je praktickým a snadno pochopitelným způsobem.