V této kapitole se podíváme na to, jak PyTorch Lightning zjednodušuje vývoj a nasazování škálovatelných modelů AI. Začneme od základních konceptů a projdeme si klíčovou strukturu projektu v PyTorch Lightning – včetně důležitých komponent, jako jsou LightningModule a Trainer – a připravíme si tak pevný základ pro pokročilejší řešení AI.

Úvod do PyTorch Lightning

Seznámení s LightningModule

Spuštění Lightning Traineru

Definování modelů pomocí LightningModule

Použití LightningModule

Zvládni metodu init

Metoda forward k dokonalosti

Implementace tréninkové logiky

Implementace trénovacího kroku

Konfigurace optimizeru

Trénink a vyhodnocení

Tvorba škálovatelných modelů s PyTorch Lightning

V této kapitole se ponoříme hlouběji do PyTorch Lightning a naučíme se efektivně spravovat data a zdokonalovat trénink modelů. Ukážeme si, jak vytvářet modulární a znovupoužitelné datové procesy pomocí LightningDataModule, jak přesně vyhodnocovat modely prostřednictvím validace a testování a jak vylepšovat trénink pomocí Lightning Callbacks – pro automatizaci zlepšování modelů a prevenci přetrénování.

Správa dat s LightningDataModule

Rozdělení dat pomocí LightningDataModule

Vytvoření train DataLoaderu

Validace a testování modelu

Implementace validačního kroku

Vyhodnocení přesnosti modelu pomocí Torchmetrics

Vylepšení tréninku pomocí Lightning callbacks

Možnosti

ModelCheckpoint

EarlyStopping

Klasifikace Lightning callbacks

Optimalizace trénování modelu s Lightning

Pokročilé techniky v PyTorch Lightning

Nauč se připravovat modely hlubokého učení na nasazení v reálném světě – učiň je štíhlejšími a rychlejšími. Tato kapitola představuje techniky jako dynamická kvantizace, prořezávání (pruning) a převod do TorchScript, které ti pomůžou zmenšit velikost modelu a snížit latenci bez ztráty přesnosti.

Aplikace dynamické kvantizace

Použití dynamické kvantizace

Porovnání výkonu kvantizovaného modelu

Implementace technik prořezávání modelu

Aplikování pruningu na lineární vrstvu

Dokončení pruning odstraněním masky

Export modelů pomocí TorchScript

Výběr správné metody převodu

Optimalizace modelů pro škálovatelnost

Shrnutí: Škálovatelné AI modely s PyTorch Lightning

V tomto kurzu prozkoumáš principy, nástroje a techniky pro tvorbu škálovatelných systémů AI. S PyTorch Lightning jako hlavním frameworkem získáš praktické zkušenosti s vývojem a optimalizací modelů AI – budeš vytvářet modulární komponenty neuronových sítí, spravovat datové pipeline a aplikovat pokročilé optimalizační techniky. Po absolvování kurzu budeš mít dovednosti potřebné k tomu, abys dokázal/a vytvářet, škálovat a nasazovat robustní řešení AI.

<h2>Základy škálovatelné AI</h2> 
Tento kurz tě provede základy škálovatelné AI. Začneš tím, že se naučíš, jak PyTorch Lightning zjednodušuje vývojový cyklus modelu tím, že omezuje zbytečný kód. Prostřednictvím vedených příkladů uvidíš, jak rozdělit složité neuronové sítě na znovupoužitelné komponenty, což ti umožní udržet kvalitu kódu i při rozšiřování tvých projektů.
<br><br>
<h2>Pokročilé optimalizační techniky</h2> 
Zvládneš také optimalizační techniky, jako jsou adaptivní optimalizátory, prořezávání modelů a kvantizace. Na vlastní oči uvidíš, jak i drobné změny ve strategii trénování mohou výrazně zrychlit a zpřesnit výsledky. Naučíš se také, jak optimalizovat své trénovací smyčky a odstranit úzká místa.
<br><br>
<h2>Nasazení připravené na produkci</h2> 
Na konci kurzu budeš mít dovednosti potřebné k tomu, abys dokázal převést prototyp až do produkce, a zároveň si vytvoříš portfolio modulárních, optimalizovaných a nasaditelných AI řešení připravených na skutečné výzvy.







Intermediate Deep Learning with PyTorch

Zjednodušte AI projekty pomocí modulárních modelů a optimalizace s PyTorch Lightning!

Škálovatelné modely AI s PyTorch Lightning

Zefektivni své AI projekty tvorbou modulárních modelů a pokročilou optimalizací v PyTorch Lightning!

Vývoj velkých jazykových modelů

Uloží váhy modelu do souboru, když je dosaženo nového nejlepšího skóre.

Volitelně uchovává K nejlepších checkpointů a ostatní zahodí.

Zastaví trénování, aby zabránil přeučení, když se zlepšování zastaví.

Pomocí parametru patience umožní ještě několik epoch trénování po posledním zlepšení.

Klasifikace Lightning callbacks

Škálovatelné modely AI s PyTorch Lightning

Interaktivní praktické cvičení