آموزش ساخت مدل‌های یادگیری عمیق در Databricks - آخرین آپدیت

سرفصل ها و درس ها

بهره‌گیری از یکپارچگی TensorBoard در Databricks Utilizing TensorBoard Integration in Databricks

• بهره‌گیری از یکپارچگی TensorBoard Utilizing TensorBoard Integration

• ارزیابی مدل‌ها در مقیاس بزرگ Evaluating Models at Scale

• ردیابی آزمایش‌ها با MLflow Experiment Tracking with MLflow

• ثبت و استقرار مدل Model Registration and Deployment

• آشنایی با PyTorch و گراف‌های محاسباتی پویا Introduction to PyTorch and Dynamic Computation Graphs

ساخت شبکه عصبی طبقه‌بندی یا رگرسیون Building a Classification or Regression Neural Network

• آموزش شتاب‌یافته با GPU با استفاده از Databricks Runtime for ML GPU-accelerated Training with Databricks Runtime for ML

• ردیابی آزمایش‌ها با قابلیت Autologging در MLflow Experiment Tracking with MLflow Autologging

• آموزش توزیع‌شده Distributed Training

• ارزیابی مدل و بصری‌سازی عملکرد Model Evaluation and Performance Visualization

• ثبت و مدیریت مدل‌های PyTorch Registering and Managing PyTorch Models

بهینه‌سازی داده‌ها، هایپرپارامترها و بهره‌وری منابع Optimizing Data, Hyperparameters, and Resource Utilization

• بهینه‌سازی بارگذاری داده‌ها Optimizing Data Loading

• تنظیم هایپرپارامترها در Databricks Hyperparameter Tuning in Databricks

• مانیتورینگ بهره‌وری GPU و کلاستر در حین آموزش Monitoring GPU and Cluster Utilization During Training

ارائه مدل، نسخه‌بندی و مدیریت چرخه حیات Model Serving, Versioning, and Lifecycle Management

• ارائه (Serving) مدل‌های یادگیری عمیق Serving Deep Learning Models

• یکپارچه‌سازی مدل‌های ارائه شده Integrating Served Models

• بهترین روش‌های نسخه‌بندی مدل و مدیریت چرخه حیات Model Versioning and Lifecycle Management Best Practices