آموزش استقرار مدل های PyTorch در تولید: PyTorch Playbook

بررسی اجمالی دوره Course Overview

• بررسی اجمالی دوره Course Overview

مداوم و بارگیری مدل های PyTorch Persisting and Loading PyTorch Models

• بررسی اجمالی ماژول Module Overview

• پیش نیازها و طرح کلی دوره Prerequisites and Course Outline

• ذخیره و بارگیری مدل های PyTorch Saving and Loading PyTorch Models

• ساخت و آموزش مدل طبقه بندی Building and Training a Classifier Model

• ذخیره و بارگذاری مدل ها با استفاده از torch.save () Saving and Loading Models Using torch.save()

• در حال ذخیره مدل با استفاده از دستورالعمل_ دولتی Saving Model Using the state_dict

• ذخیره و بارگیری ایست های بازرسی Saving and Loading Checkpoints

• معرفی ONNX Introducing ONNX

• صادر کردن یک مدل به ONNX و بارگیری در Caffe2 Exporting a Model to ONNX and Loading in Caffe2

• خلاصه ماژول Module Summary

اجرای آموزش با استفاده از پردازنده های منفرد و چندگانه Implementing Training Using Single and Multiple Processors

• بررسی اجمالی ماژول Module Overview

• گزینه های آموزش توزیع شده در PyTorch Distributed Training Options in PyTorch

• آموزش با استفاده از چندین فرآیند Training Using Multiple Processes

• راه اندازی یک Deep Learning VM با چندین GPU Setting up a Deep Learning VM with Multiple GPUs

• آموزش چندین GPU Training on Multiple GPUs

• خلاصه ماژول Module Summary

اجرای آموزش توزیع شده در چندین ماشین Implementing Distributed Training on Multiple Machines

• بررسی اجمالی ماژول Module Overview

• آموزش توزیع شده روی ابر Distributed Training on the Cloud

• راه اندازی یک نمونه نوت بوک SageMaker Setting up a SageMaker Notebook Instance

• تنظیم بارگذارهای آموزش و آزمایش Setting up Training and Test Data Loaders

• عملکرد آموزش را تعریف کنید Define the Training Function

• توابع برای آزمایش و ذخیره مدل آموزش دیده Functions to Test and Save the Trained Model

• اجرای آموزش توزیعی با استفاده از برآوردگر PyTorch Running Distributed Training Using the PyTorch Estimator

• خلاصه ماژول Module Summary

استقرار مدل های PyTorch برای تولید Deploying PyTorch Models to Production

• بررسی اجمالی ماژول Module Overview

• بررسی گزینه های استقرار مدل های PyTorch Exploring Options to Deploy PyTorch Models

• نصب کتابخانه ها و بارگذاری پارامترهای مدل در سطل GCP Installing Libraries and Uploading Model Parameters to a GCP Bucket

• ایجاد یک برنامه فلاسک برای ارائه مدل PyTorch Creating a Flask App to Serve the PyTorch Model

• استفاده از مدل پیش بینی Using the Model for Prediction

• نصب داکر Installing Docker

• ایجاد و استفاده از یک خوشه کلیپر برای پیش بینی Creating and Using a Clipper Cluster for Prediction

• استقرار مدلی برای پیش بینی در یک محیط بدون سرور Deploying a Model for Prediction to a Serverless Environment

• خلاصه و مطالعه بیشتر Summary and Further Study