Preentrenamiento de modelos de visión y grandes lenguajes en Python: End-to-end techniques for building and deployying foundation models on AWS (Técnicas de extremo a extremo para crear e implementar modelos básicos en AWS)

Opiniones de los lectores

El libro «Pretrain Vision and Large Language Models in Python» de Emily Webber es una guía completa que ayuda a los lectores a comprender e implementar modelos básicos con AWS y Amazon SageMaker. Proporciona consejos prácticos, discusiones detalladas y ejemplos de código que se adaptan tanto a principiantes como a usuarios avanzados. Sin embargo, hay problemas como errores de impresión en algunas copias, y algunos lectores consideraron que faltaba profundidad en el libro o que intentaba abarcar demasiado sin entrar en detalles significativos.

Cobertura exhaustiva de los fundamentos de la formación y el despliegue de modelos, ejemplos prácticos y ejemplos de código, guía bien estructurada, opiniones expertas del autor, adecuado tanto para principiantes como para usuarios avanzados, recurso oportuno en medio del creciente interés por los grandes modelos lingüísticos.

Algunas copias tenían errores de impresión (faltaban páginas, páginas al revés), puede requerir conocimientos previos de aprendizaje profundo, puede carecer de profundidad en ciertas áreas, algunos lectores sintieron que era demasiado amplio y desordenado, y puede leerse como un argumento de venta para SageMaker.

(basado en 15 opiniones de lectores)

Título original:

Pretrain Vision and Large Language Models in Python: End-to-end techniques for building and deploying foundation models on AWS

Contenido del libro:

Domine el arte de la visión de entrenamiento y los grandes modelos de lenguaje con fundamentos conceptuales y orientación de expertos del sector. Aprenda sobre los servicios de AWS y los patrones de diseño, con ejemplos de codificación relevantes.

Características principales:

⬤ Aprenda a desarrollar, entrenar, ajustar y aplicar modelos básicos con canalizaciones optimizadas de extremo a extremo.

⬤ Explore el entrenamiento distribuido a gran escala para modelos y conjuntos de datos con ejemplos de AWS y SageMaker.

⬤ Evalúe, implemente y ponga en funcionamiento sus modelos personalizados con detección de sesgos y monitorización de canalizaciones.

Descripción del libro:

Los modelos Foundation han cambiado para siempre el aprendizaje automático. De BERT a ChatGPT, de CLIP a Stable Diffusion, cuando se combinan miles de millones de parámetros con grandes conjuntos de datos y cientos o miles de GPUs, el resultado no hace más que batir récords. Las recomendaciones, los consejos y los ejemplos de código de este libro le ayudarán a preentrenar y ajustar sus propios modelos básicos desde cero en AWS y Amazon SageMaker, a la vez que los aplica a cientos de casos de uso en toda su organización.

Con el asesoramiento de la experta en AWS y aprendizaje automático Emily Webber, este libro le ayuda a aprender todo lo que necesita para pasar de la ideación del proyecto a la preparación del conjunto de datos, la capacitación, la evaluación y la implementación de grandes modelos de lenguaje, visión y multimodales. Con explicaciones paso a paso de conceptos esenciales y ejemplos prácticos, pasará de dominar el concepto de preentrenamiento a preparar su conjunto de datos y modelo, configurar su entorno, entrenar, ajustar, evaluar, desplegar y optimizar sus modelos básicos.

Aprenderás a aplicar las leyes de escalado para distribuir el modelo y el conjunto de datos en varias GPU, eliminar sesgos, conseguir un alto rendimiento y crear canalizaciones de despliegue.

Al final de este libro, estará bien equipado para embarcarse en su propio proyecto de preentrenamiento y puesta a punto de los modelos básicos del futuro.

Lo que aprenderá

⬤ Encontrar los casos de uso y conjuntos de datos adecuados para el preentrenamiento y el ajuste fino.

⬤ Prepararse para el entrenamiento a gran escala con aceleradores personalizados y GPUs.

⬤ Configurar entornos en AWS y SageMaker para maximizar el rendimiento.

⬤ Seleccionar hiperparámetros basados en su modelo y restricciones.

⬤ Distribuya su modelo y conjunto de datos utilizando muchos tipos de paralelismo.

⬤ Evite errores con reinicios de trabajo, comprobaciones de estado intermitentes y mucho más.

⬤ Evalúe su modelo con información cuantitativa y cualitativa.

⬤ Despliegue sus modelos con mejoras en tiempo de ejecución y pipelines de monitorización.

Para quién es este libro:

Si usted es un investigador o entusiasta del aprendizaje automático que desea iniciar un proyecto de modelado básico, este libro es para usted. Científicos aplicados, científicos de datos, ingenieros de aprendizaje automático, arquitectos de soluciones, gestores de productos y estudiantes se beneficiarán de este libro. Python intermedio es imprescindible, junto con conceptos introductorios de computación en la nube. Se necesita una sólida comprensión de los fundamentos del aprendizaje profundo, mientras que los temas avanzados serán explicados. El contenido cubre técnicas avanzadas de machine learning y cloud computing, explicándolas de forma práctica y fácil de entender.