Durchführung des Schulungsschritts

In dieser Übung implementierst du die Methode „ training_step() ” in einem PyTorch Lightning-Modul, das für eine Bildklassifizierungsaufgabe entwickelt wurde. Deine Implementierung sollte einen Stapel von Bildern und Beschriftungen entpacken, die Modellvorhersagen über den Vorwärtsdurchlauf berechnen, den Kreuzentropieverlust berechnen und den Trainingsverlust protokollieren.

Diese Übung ist Teil des Kurses

Skalierbare KI-Modelle mit PyTorch Lightning

Anleitung zur Übung

Stell sicher, dass du die Vorhersagen mit dem Vorwärtsdurchlauf berechnest.
Berechne den Kreuzentropieverlust.
Speicher den Trainingsverlust.

Interaktive Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

from torch.nn.functional import cross_entropy

def training_step(self, batch, batch_idx):
    x, y = batch
    # Ensure that you compute predictions using the forward pass
    y_hat = ____
    # Calculate the cross entropy loss
    loss = ____
    # Log the loss
    self.____("train_loss", loss)
    return loss

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Skalierbare KI-Modelle mit PyTorch Lightning

Mittlere SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

In diesem Kapitel schauen wir uns an, wie PyTorch Lightning die Entwicklung und Bereitstellung von skalierbaren KI-Modellen einfacher macht. Wir fangen mit den Grundlagen an und schauen uns dann die Kernstruktur eines PyTorch Lightning-Projekts an, einschließlich wichtiger Teile wie LightningModule und Trainer, um eine solide Basis für fortgeschrittenere KI-Lösungen zu schaffen.

Exercise 1: Einführung in PyTorch Lightning Exercise 2: Vorstellung des LightningModuls Exercise 3: Den Lightning Trainer starten Exercise 4: Modelle mit LightningModule definieren Exercise 5: Verwendung des LightningModuls Exercise 6: Die init-Methode richtig anwenden Exercise 7: Die Vorwärtsmethode perfektionieren Exercise 8: Trainingslogik umsetzen Exercise 9: Durchführung des Schulungsschritts

Aktuelle Übung

Exercise 10: Den Optimierer einrichten Exercise 11: Schulung und Bewertung

In diesem Kapitel schauen wir uns PyTorch Lightning genauer an, um Daten effizient zu verwalten und das Modelltraining zu optimieren. Wir zeigen dir, wie du mit LightningDataModule modulare und wiederverwendbare Daten-Workflows erstellst, deine Modelle durch Validierung und Tests genau bewertest und Trainingsprozesse mit Lightning Callbacks verbesserst, um die Modellverbesserung zu automatisieren und Überanpassungen zu vermeiden.

Exercise 1: Daten mit LightningDataModule verwalten Exercise 2: Daten mit LightningDataModule aufteilen Exercise 3: Erstellen eines Zug-DataLoaders Exercise 4: Validierung und Tests einbauen Exercise 5: Den Validierungsschritt machen Exercise 6: Modellgenauigkeit mit Torchmetrics checken Exercise 7: Verbesserung der Schulung mit Lightning-Callbacks Exercise 8: Blitz-Callbacks sortieren Exercise 9: Modelltraining mit Lightning optimieren

Lerne, wie du Deep-Learning-Modelle für den Einsatz in der Praxis vorbereitest, indem du sie schlanker und schneller machst. In diesem Kapitel geht's um Techniken wie dynamische Quantisierung, Pruning und TorchScript-Konvertierung, mit denen du die Modellgröße und Latenz reduzieren kannst, ohne dass die Genauigkeit leidet.

Exercise 1: Dynamische Quantisierung anwenden Exercise 2: Dynamische Quantisierung anwenden Exercise 3: Vergleich der Leistung quantisierter Modelle Exercise 4: Modellbeschneidungstechniken anwenden Exercise 5: Lineare Ebene beschneiden Exercise 6: Schließ das Beschneiden ab, indem du die Maske entfernst.Exercise 7: Modelle mit TorchScript exportieren Exercise 8: Die richtige Konvertierungsmethode auswählen Exercise 9: Modelle für Skalierbarkeit optimieren Exercise 10: Zusammenfassung: Skalierbare KI-Modelle mit PyTorch Lightning