大規模なDeep Learning

この作品はAIを使って翻訳されている。ご意見、ご感想をお待ちしている：translation-feedback@oreilly.com

ディープラーニングのプロジェクトを大規模に実用化することは、非常に難しい。プロジェクトを成功裏にスケールアップするには、ハードウェア、ソフトウェア、データ、アルゴリズムの積集合にある知識を含む、フルスタック・ディープラーニングの基礎的な理解が必要である。

この本では、フルスタックDeep Learningの複雑な概念を説明し、ハンズオン演習を通じてその理解を深めることで、プロジェクトをスケールさせるためのツールとテクニックを習得できるようにする。スケーリングの取り組みは、それが効果的かつ効率的である場合にのみ有益である。そのため、このガイドでは、効果的かつ効率的にスケーリングを行うのに役立つ複雑な概念とテクニックを説明する。

以下について、徹底的に理解することができる。

• Deep Learningネットワークにおけるデータの流れと、モデル構築における計算グラフの役割
• アクセラレーテッド・コンピューティングがトレーニングを高速化する方法、および利用可能なリソースを最大限に活用する方法
• 分散トレーニングパラダイム、すなわちデータ、モデル、パイプラインの並列処理を使用してモデルをトレーニングする方法
• NVIDIAライブラリおよびTritonと併用してPyTorchエコシステムを活用し、モデルのトレーニングをスケーリングする方法
• モデルのトレーニングを遅くする望ましくないボトルネックのデバッグ、モニタリング、調査
• トレーニングのライフサイクルを迅速化し、フィードバック・ループを合理化してモデル開発を反復する方法
• データに関する一連のトリックとテクニック、およびそれらを適用してトレーニングモデルを拡張する方法
• Deep Learningプロジェクトに適したツールとテクニックの選択方法
• 規模を拡大して実行する際のコンピューティングインフラの管理オプション