Cursus
Efficiënt AI-modellen trainen met PyTorch
GevorderdVaardigheidsniveau
Bijgewerkt 05-2026
PythonArtificial Intelligence4 u13 videos45 Opdrachten3,850 XPBewijs van Prestatie
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Geliefd bij leerlingen van duizenden bedrijven
Een team trainen?
Probeer voor bedrijvenCursusbeschrijving
Data voorbereiden voor gedistribueerde training
Je begint met het voorbereiden van data voor gedistribueerde training door datasets over meerdere apparaten te verdelen en modelkopieën op elk apparaat te implementeren. Je doet praktische ervaring op met het voorbewerken van data voor gedistribueerde omgevingen, waaronder afbeeldingen, audio en tekst.Efficiëntietechnieken verkennen
Zodra je data klaar is, verken je manieren om de efficiëntie te verbeteren bij training en het gebruik van optimizers via meerdere interfaces. Je ziet hoe je deze uitdagingen aanpakt door het geheugengebruik, de communicatie tussen apparaten en de computationele efficiëntie te verbeteren met technieken zoals gradient accumulation, gradient checkpointing, local stochastic gradient descent en mixed precision training. Je begrijpt de afwegingen tussen verschillende optimalizers, zodat je het geheugengebruik van je model kunt verminderen. Aan het einde van deze cursus beschik je over de kennis en tools om gedistribueerde AI-gestuurde services te bouwen.Vereisten
Intermediate Deep Learning with PyTorchWorking with Hugging Face1
Gegevens voorbereiden met Accelerator
Je bereidt gegevens voor op gedistribueerde training door de data over meerdere apparaten te verdelen en het model op elk apparaat te kopiëren. Accelerator biedt een handige interface voor datavoorbereiding. Je leert hoe je afbeeldingen, audio en tekst preprocesset als eerste stap in gedistribueerde training.
2
Gedistribueerde training met Accelerator en Trainer
Bij gedistribueerde training traint elk apparaat parallel op zijn eigen data. Je onderzoekt twee methoden voor gedistribueerde training: Accelerator maakt aangepaste trainingslussen mogelijk en Trainer vereenvoudigt de interface voor training.
3
Trainings efficiëntie verbeteren
Gedistribueerde training belast de resources bij grote modellen en gegevenssets, maar je kunt deze uitdagingen aanpakken door het geheugenverbruik, de communicatie tussen apparaten en de rekenefficiëntie te verbeteren. Je ontdekt de technieken gradient accumulation, gradient checkpointing, local stochastic gradient descent en mixed precision training.
4
Trainen met efficiënte optimizers
Je richt je op optimizers als hefbomen om de efficiëntie van gedistribueerde training te verbeteren en belicht de afwegingen tussen AdamW, Adafactor en 8-bit Adam. Het aantal parameters verminderen of lage precisie gebruiken helpt de geheugenvraag van een model te verlagen.
Efficiënt AI-modellen trainen met PyTorch
Cursus voltooid
Verdien een prestatieverklaring
Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitaeDeel het op sociale media en in je functioneringsgesprekSchrijf je nu in
Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Efficiënt AI-modellen trainen met PyTorch!
Maak je kosteloos account aan
Ga verder met GoogleMeer opties weergevenof
Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.
Ontwikkel je datavaardigheden met DataCamp voor Mobiel
Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.