การใช้งาน LightningModule

LightningModule เป็นหัวใจของแนวทางการจัดโครงสร้างโปรเจกต์ deep learning ใน PyTorch Lightning โดยรวบรวมสถาปัตยกรรมโมเดล การส่งผ่านค่าไปข้างหน้า (forward pass) และลอจิกการฝึกไว้ในที่เดียว และมอบหมายการควบคุมลูปการฝึกและการกำหนดค่าอุปกรณ์ให้ Trainer จัดการ

ข้อใดอธิบายบทบาทหลักของ LightningModule ใน PyTorch Lightning ได้ดีที่สุด?

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

AI Models แบบ Scalable ด้วย PyTorch Lightning

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำจริง

เปลี่ยนทฤษฎีให้เป็นการลงมือทำด้วยแบบฝึกหัดเชิงโต้ตอบหนึ่งในของเรา

เริ่มแบบฝึกหัด

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

AI Models แบบ Scalable ด้วย PyTorch Lightning

SkillTag.level.intermediateSkillTag.label

4.8+

เริ่มคอร์สฟรี

ในบทนี้ เราจะมาดูกันว่า PyTorch Lightning ช่วยให้การพัฒนาและ deploy โมเดล AI แบบ scalable เป็นเรื่องง่ายขึ้นได้อย่างไร เริ่มจากแนวคิดพื้นฐาน ไปจนถึงโครงสร้างหลักของโปรเจกต์ PyTorch Lightning รวมถึงคอมโพเนนต์สำคัญอย่าง LightningModule และ Trainer เพื่อวางรากฐานที่แข็งแกร่งสำหรับการพัฒนาโซลูชัน AI ขั้นสูงต่อไป

Exercise 1: PyTorch Lightning เบื้องต้น Exercise 2: เริ่มต้นกับ LightningModule Exercise 3: การรัน Lightning Trainer Exercise 4: การกำหนดโมเดลด้วย LightningModule Exercise 5: การใช้งาน LightningModule

แบบฝึกหัดปัจจุบัน

Exercise 6: เจาะลึก method `__init__`Exercise 7: ทำให้ forward method สมบูรณ์Exercise 8: การนำ Logic การเทรนโมเดลไปใช้Exercise 9: การ implement training step Exercise 10: กำหนดค่า optimizer Exercise 11: การฝึกและประเมินผล

ในบทนี้ เราจะเจาะลึก PyTorch Lightning เพื่อจัดการข้อมูลและปรับปรุงกระบวนการเทรนโมเดลให้มีประสิทธิภาพมากขึ้น เราจะเรียนรู้การสร้าง data workflow แบบ modular และนำกลับมาใช้ซ้ำได้ด้วย LightningDataModule การประเมินโมเดลอย่างแม่นยำผ่าน validation และ testing รวมถึงการยกระดับกระบวนการเทรนด้วย Lightning Callbacks เพื่อปรับปรุงโมเดลโดยอัตโนมัติและป้องกัน overfitting

Exercise 1: การจัดการข้อมูลด้วย LightningDataModule Exercise 2: การแบ่งข้อมูลด้วย LightningDataModule Exercise 3: สร้าง DataLoader สำหรับการเทรน Exercise 4: การใช้งานการตรวจสอบและการทดสอบโมเดล Exercise 5: การ implement validation step Exercise 6: ประเมินความแม่นยำของโมเดลด้วย Torchmetrics Exercise 7: การเพิ่มประสิทธิภาพการฝึกด้วย Lightning callbacks Exercise 8: จำแนกประเภท Lightning callbacks Exercise 9: ปรับปรุงการเทรนโมเดลด้วย Lightning

เรียนรู้การเตรียมโมเดล deep learning ให้พร้อมสำหรับการ deploy ในสภาพแวดล้อมจริง ด้วยการทำให้โมเดลมีขนาดเล็กลงและทำงานได้เร็วขึ้น บทนี้แนะนำเทคนิคต่าง ๆ เช่น dynamic quantization, pruning และการแปลงด้วย TorchScript เพื่อลดขนาดโมเดลและ latency โดยไม่สูญเสียความแม่นยำ

Exercise 1: การประยุกต์ใช้ dynamic quantization Exercise 2: ใช้งาน dynamic quantization Exercise 3: เปรียบเทียบประสิทธิภาพของโมเดลที่ผ่านการ Quantize Exercise 4: การนำเทคนิค Model Pruning มาใช้งาน Exercise 5: นำ pruning ไปใช้กับ linear layer Exercise 6: สรุปการ pruning โดยการลบ mask ออก Exercise 7: การ Export โมเดลด้วย TorchScript Exercise 8: เลือกวิธีแปลงโมเดลให้เหมาะสม Exercise 9: การเพิ่มประสิทธิภาพโมเดลเพื่อรองรับการขยายขนาด Exercise 10: สรุป: Scalable AI Models with PyTorch Lightning