Referencia de bolsillo de PyTorch

Capítulo 7. Implementación de PyTorch en producción

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

Hasta ahora, la mayor parte de este libro se ha centrado en el diseño y entrenamiento de modelos. Los capítulos anteriores te mostraron cómo utilizar las capacidades incorporadas de PyTorch para diseñar tus modelos y crear módulos NN personalizados, funciones de pérdida, optimizadores y otros algoritmos. En el capítulo anterior, vimos cómo utilizar el entrenamiento distribuido y las optimizaciones de modelos para acelerar los tiempos de entrenamiento de tus modelos y minimizar los recursos necesarios para ejecutarlos.

Llegados a este punto, tienes todo lo que necesitas para crear unos modelos NN bien entrenados y de perímetro, pero no dejes que tus innovaciones se queden aisladas. Ahora es el momento de desplegar tus modelos en el mundo a través de aplicaciones.

En el pasado, pasar de la investigación a la producción era una ardua tarea que requería que un equipo de ingenieros de software trasladara los modelos de PyTorch a un marco de trabajo y los integrara en un entorno de producción (a menudo ajeno a Python). Hoy en día, PyTorch incluye herramientas integradas y bibliotecas externas que permiten una rápida implementación en diversos entornos de producción.

En este capítulo, nos centraremos en la implementación de tu modelo para la inferencia, no para el entrenamiento, y exploraremos cómo implementar tus modelos ...