Curso
Entrenamiento eficiente de modelos de IA con PyTorch
AvanzadoNivel de habilidad
Actualizado 5/2026
PythonArtificial Intelligence4 h13 vídeos45 Ejercicios3,850 XPCertificado de logros
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Preferido por estudiantes en miles de empresas
¿Formando un equipo?
Prueba para empresasDescripción del curso
Preparar los datos para el entrenamiento distribuido
Empezarás preparando los datos para el entrenamiento distribuido, dividiendo los conjuntos de datos en varios dispositivos y desplegando copias del modelo en cada dispositivo. Adquirirás experiencia práctica en el preprocesamiento de datos para entornos distribuidos, incluyendo imágenes, audio y texto.Explorar técnicas de eficiencia
Una vez que tus datos estén listos, explorarás formas de mejorar la eficacia en el entrenamiento y el uso del optimizador a través de múltiples interfaces. Verás cómo abordar estos retos mejorando el uso de la memoria, la comunicación entre dispositivos y la eficiencia computacional con técnicas como la acumulación de gradiente, la comprobación de gradiente, el descenso de gradiente estocástico local y el entrenamiento de precisión mixta. Comprenderás las ventajas y desventajas de los distintos optimizadores para ayudarte a reducir la huella de memoria de tu modelo. Al final de este curso, estarás equipado con los conocimientos y las herramientas para construir servicios distribuidos impulsados por IA.Requisitos previos
Intermediate Deep Learning with PyTorchWorking with Hugging Face1
Preparación de datos con Accelerator
Prepararás los datos para entrenamiento distribuido dividiéndolos entre varios dispositivos y copiando el modelo en cada uno. Accelerator ofrece una interfaz práctica para la preparación de datos, y aprenderás a preprocesar imágenes, audio y texto como primer paso del entrenamiento distribuido.
2
Entrenamiento distribuido con Accelerator y Trainer
En el entrenamiento distribuido, cada dispositivo entrena en paralelo con sus propios datos. Investigarás dos métodos para entrenamiento distribuido: Accelerator permite bucles de entrenamiento personalizados, y Trainer simplifica la interfaz de entrenamiento.
3
Mejorar la eficiencia del entrenamiento
El entrenamiento distribuido exige muchos recursos con modelos y conjuntos de datos grandes, pero puedes afrontar estos retos mejorando el uso de memoria, la comunicación entre dispositivos y la eficiencia computacional. Descubrirás las técnicas de acumulación de gradientes, gradient checkpointing, local stochastic gradient descent y entrenamiento en precisión mixta.
4
Entrenamiento con optimizadores eficientes
Te centrarás en los optimizadores como palancas para mejorar la eficiencia del entrenamiento distribuido, destacando los compromisos entre AdamW, Adafactor y Adam de 8 bits. Reducir el número de parámetros o usar baja precisión ayuda a disminuir la huella de memoria de un modelo.
Entrenamiento eficiente de modelos de IA con PyTorch
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.Inscríbete ahora
¡Únete a 19 millones de estudiantes y empieza Entrenamiento eficiente de modelos de IA con PyTorch hoy mismo!
Crea tu cuenta gratuita
Continuar con GoogleMostrar más opcioneso
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.
Desarrolla tus habilidades de datos con la aplicación móvil de DataCamp
Progresa desde cualquier dispositivo móvil con nuestros cursos y desafíos de programación diarios de 5 minutos.