September 2024
Intermediate to advanced
294 pages
9h 48m
German
Content preview from Skalierung von Machine Learning mit Spark
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
Kapitel 9. PyTorch Verteiltes Maschinelles Lernen Ansatz
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
PyTorch ist eine Open-Source-Bibliothek für maschinelles Lernen, die von Facebooks KI-Forschungsteam (FAIR) entwickelt und später der Linux Foundation zur Verfügung gestellt wurde. Sie wurde entwickelt, um die Erstellung künstlicher neuronaler Netze zu vereinfachen und Anwendungen wie Computer Vision, natürliche Sprachverarbeitung und mehr zu ermöglichen. Die primäre Schnittstelle zu PyTorch ist Python, aber sie basiert auf Low-Level C und C++ Code. Das ist ein ganz anderer Ansatz als bei Spark, das im Kern Scala und Java (JVM-basierte Programmiersprachen) verwendet.
In den vorherigen Kapiteln hast du die Bausteine des maschinellen Lernprozesses kennengelernt. Wir haben mit Spark begonnen und uns dann mit den verteilten Trainingsmöglichkeiten von TensorFlow beschäftigt. In diesem Kapitel werden wir uns PyTorch zuwenden. Ziel ist es, dass du besser verstehst, was PyTorch ist und wie sein verteiltes Training für maschinelles Lernen aus architektonischer und konzeptioneller Sicht funktioniert, damit du bessere Entscheidungen treffen kannst, wenn du mehrere Frameworks in einer verteilten Umgebung miteinander kombinierst.
Außerdem werden wir Schritt für Schritt ein Beispiel für die Arbeit mit verteiltem PyTorch durchgehen und dabei die vorherige Arbeit mit Spark in den Kapiteln 4 und 5 und Petastorm ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access
More than 5,000 organizations count on O’Reilly
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.Julian F.
I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.Addison B.
I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.Amir M.
I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.