Beginning of dialog window. Escape will cancel and close the window.
End of dialog window.
نکته:
آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیویی برای نمایش وجود ندارد.
توضیحات دوره:
این دوره جنبه های مهم استفاده از PyTorch در سرویس های وب آمازون (AWS) ، Microsoft Azure و Google Cloud Platform (GCP) را شامل می شود ، از جمله استفاده از نوت بوک های میزبان ابر ، یادگیری عمیق نمونه های VM با پشتیبانی GPU و PyTorch .. این دوره بخشی از موارد زیر است: ساختن راه حل های یادگیری عمیق با PyTorch Path همه را بزرگ کنید بررسی اجمالی دوره دهه یکم ایجاد PyTorch Solutions در AWS 1 ساعت 7 م 40 ایجاد PyTorch Solutions on Azure 49 متر 25 ثانیه ایجاد PyTorch Solutions در Google Cloud Platform 22 متر 24 ثانیه علائم تجاری و نام تجاری اشخاص ثالث ذکر شده در این دوره متعلق به صاحبان مربوطه می باشند و Pluralsight وابسته یا تأیید شده توسط این احزاب نیست.
سرفصل ها و درس ها
بررسی اجمالی دوره
Course Overview
بررسی اجمالی دوره
Course Overview
ایجاد PyTorch Solutions در AWS
Creating PyTorch Solutions on AWS
بررسی اجمالی ماژول
Module Overview
پیش نیازها و طرح کلی دوره
Prerequisites and Course Outline
یادگیری ماشین در ابر
Machine Learning on the Cloud
PyTorch: طبقه بندی راه حل ها
PyTorch: Taxonomy of Solutions
معرفی SageMaker
Introducing SageMaker
ایجاد یک نمونه نوت بوک SageMaker
Creating a SageMaker Notebook Instance
نمونه سازی اولیه مدل PyTorch در نوت بوک های SageMaker
Prototyping a PyTorch Model on SageMaker Notebooks
برآوردگرهای PyTorch در SageMaker
PyTorch Estimators on SageMaker
توزیع بارگذاری داده در PyTorch
Distributed Data Loading in PyTorch
آموزش توزیع شده در PyTorch
Distributed Training in PyTorch
استفاده از برآوردگرهای PyTorch برای آموزش توزیع شده
Using PyTorch Estimators for Distributed Training
استقرار و پیش بینی مدل با استفاده از برآوردگرها
Model Deployment and Prediction Using Estimators
AWS یادگیری عمیق AMI ها
AWS Deep Learning AMIs
ایجاد یک Deep Learning VM
Instantiating a Deep Learning VM
ساخت مدل با پشتیبانی GPU در AWS Deep Learning VM
Building Models with GPU Support on the AWS Deep Learning VM
ایجاد PyTorch Solutions on Azure
Creating PyTorch Solutions on Azure
بررسی اجمالی ماژول
Module Overview
معرفی سرویس یادگیری ماشین لاجوردی
Introducing Azure Machine Learning Service
نمونه سازی اولیه مدل های PyTorch در نوت بوک های لاجوردی
Prototyping PyTorch Models on Azure Notebooks
گردش کار خدمات یادگیری ماشین لاجوردی
Azure Machine Learning Service Workflow
درک اصطلاحات در یادگیری ماشین لاجوردی
Understanding Terms in Azure Machine Learning
Horovod برای آموزش توزیع شده
Horovod for Distributed Training
آموزش توزیع شده در PyTorch با استفاده از چارچوب Horovod
Distributed Training in PyTorch Using the Horovod Framework
ایجاد تخمین دهنده PyTorch برای آموزش توزیع شده
Instantiating the PyTorch Estimator for Distributed Training
توزیع اجرا با استفاده از برآوردگر PyTorch
Distributed Run Using the PyTorch Estimator
Azure Deep Learning VM
The Azure Deep Learning VM
ایجاد یک Azure Deep Learning VM
Instantiating an Azure Deep Learning VM
ساخت مدل های PyTorch با پشتیبانی GPU در Azure Deep Learning VM
Building PyTorch Models with GPU Support on Azure Deep Learning VMs
ایجاد PyTorch Solutions در Google Cloud Platform
Creating PyTorch Solutions on the Google Cloud Platform
بررسی اجمالی ماژول
Module Overview
Cloud Datalab و Deep Learning VMs
Cloud Datalab and Deep Learning VMs
راه اندازی Cloud Datalab VM
Setting up a Cloud Datalab VM
نمونه سازی اولیه مدل های PyTorch با استفاده از Cloud Datalab
Prototyping PyTorch Models Using Cloud Datalab
با پشتیبانی PyTorch و CUDA یک Deep Learning VM ایجاد کنید
Create a Deep Learning VM with PyTorch and CUDA Support
استفاده از JupyterLab در GCP Deep Learning VM
Using JupyterLab on a GCP Deep Learning VM
Janani Ravi یک معمار و مهندس داده خبره Google cloud است.
جنانی مدرک کارشناسی ارشد خود را در رشته مهندسی برق از دانشگاه استنفورد دریافت کرد و برای مایکروسافت، گوگل و فلیپ کارت کار کرده است. او یکی از بنیانگذاران Loonycorn است، یک استودیوی محتوا که بر ارائه محتوای با کیفیت بالا برای توسعه مهارت های فنی متمرکز است، جایی که او عشق خود را به فناوری با اشتیاق خود به تدریس ترکیب می کند.
نمایش نظرات