Deep Learning MLOps ด้วย MLflow, PyTorch และ TensorFlow

การจัดการการทดลอง Deep Learning อาจกลายเป็นความโกลาหลได้อย่างรวดเร็วเมื่อคุณปรับแต่งไฮเปอร์พารามิเตอร์ สถาปัตยกรรมโครงข่ายประสาทเทียม และชุดข้อมูลการฝึกอบรม หากไม่มีขั้นตอนการทำงานที่มีโครงสร้าง เกือบจะเป็นไปไม่ได้เลยที่จะติดตามว่าการฝึกอบรมรอบใดที่สร้างโมเดลที่ดีที่สุด หลักสูตรแบบข้อความนี้จะแนะนำคุณเกี่ยวกับพื้นฐานของ MLOps โดยใช้ MLflow เพื่อนำความระเบียบมาสู่โปรเจกต์ Deep Learning ของคุณ คุณจะได้เรียนรู้วิธีการบันทึกพารามิเตอร์ เมตริก และอาร์ติแฟกต์อย่างเป็นระบบ เพื่อให้แน่ใจว่าการทดลองของคุณสามารถทำซ้ำได้อย่างสมบูรณ์และพร้อมสำหรับการปรับใช้งาน สิ่งที่คุณจะได้เรียนรู้: ทำความเข้าใจแนวคิดหลักของ MLOps และบทบาทของการติดตามการทดลองในขั้นตอนการทำงานสมัยใหม่; กำหนดค่าการติดตามของ MLflow เพื่อบันทึกไฮเปอร์พารามิเตอร์ เมตริก และรายละเอียดของระบบ; บันทึกโมเดล พารามิเตอร์ และกราฟการสูญเสียของ PyTorch และ TensorFlow ระหว่างการฝึกอบรม; จัดการเวอร์ชันและการเปลี่ยนผ่านของโมเดลโดยใช้ MLflow Model Registry; เปรียบเทียบการฝึกอบรมรอบต่างๆ เพื่อระบุการกำหนดค่าโครงข่ายประสาทเทียมที่มีประสิทธิภาพดีที่สุด; ประยุกต์ใช้แนวปฏิบัติที่ดีที่สุดสมัยใหม่สำหรับการแพ็กเกจและการปรับใช้งานโมเดล Deep Learning คุณจะเริ่มต้นด้วยการสำรวจหลักการพื้นฐานของ MLOps และการตั้งค่าสภาพแวดล้อมการติดตามของ MLflow จากนั้น คุณจะก้าวไปสู่การใส่เครื่องมือในสคริปต์ PyTorch และ TensorFlow การจัดระเบียบการทดลอง และการใช้ Model Registry สำหรับการควบคุมเวอร์ชัน หลักสูตรนี้ออกแบบมาสำหรับนักวิทยาศาสตร์ข้อมูลมือใหม่ ผู้ที่ชื่นชอบ Machine Learning และนักพัฒนาที่ต้องการเปลี่ยนจากการฝึกอบรมโมเดลด้วยตนเองไปสู่ขั้นตอนการทำงานที่มีโครงสร้าง โดยไม่ต้องมีประสบการณ์เกี่ยวกับ MLflow มาก่อน เริ่มสร้าง Deep Learning Pipeline ที่เป็นระเบียบ เป็นมืออาชีพ และทำซ้ำได้ตั้งแต่วันนี้