Descripción
Curso para entrenar y evaluar redes neuronales con PyTorch y TensorFlow sobre vuestra propia infraestructura: vuestras GPU, servidores Linux o IBM Power, no un cuaderno en la nube. Cada experimento se mide en calidad, memoria y tiempo, para saber cuándo una mejora es real y cuánto cómputo cuesta.
Datos del curso
| Código SIXE: SXIA04 | Categoría: Inteligencia Artificial / Deep learning |
| Modalidad: Online y presencial | Duración: 3 días |
Para quién es
Científicos de datos, desarrolladores de machine learning y equipos de I+D que tienen que entrenar o adaptar modelos con sus datos y en sus máquinas.
Requisitos
Python con soltura y nociones de machine learning (qué es un conjunto de entrenamiento y uno de validación). Álgebra lineal básica.
Qué vas a aprender
- Entrenar una red desde cero: tensores, diferenciación automática, lotes, función de pérdida y optimizador, en PyTorch y su equivalente en TensorFlow.
- Transferir en vez de empezar de cero: partir de un modelo preentrenado, congelar capas y compararlo con una red propia con el mismo presupuesto.
- Detectar el sobreajuste: curvas de aprendizaje, regularización y errores por grupos de datos.
- Medir el coste: memoria de GPU, tamaño de lote, precisión mixta y tiempo por época en vuestro hardware.
- Reproducir el resultado: semillas, configuración guardada y checkpoints que otra persona pueda repetir.
Se trabaja con un caso de clasificación de texto o imagen y termina con tres experimentos comparables, sus curvas y el presupuesto de cómputo de cada uno.
Qué te llevas
- Un notebook de entrenamiento y evaluación con su configuración.
- Tres experimentos comparables con las curvas anotadas.
- Checkpoint, ficha del modelo y estimación de cómputo.
Si el modelo va a acabar sirviéndose en vuestros servidores, el siguiente paso es el curso de LLM en local e infraestructura GPU; y si el cuello de botella son los datos, mira cómo planteamos el almacenamiento para IA y HPC.
Preguntas frecuentes
¿Cuánto dura el curso?
3 días.
¿Es online o presencial?
Las dos cosas: en vuestras oficinas o en remoto, con instructor en directo.
¿Qué necesito saber antes?
Python con soltura y nociones de machine learning (qué es un conjunto de entrenamiento y uno de validación). Álgebra lineal básica.
¿Se entrena un modelo de lenguaje grande desde cero?
No. Se trabaja con redes pequeñas y modelos preentrenados para entender el entrenamiento, los errores y el coste de cómputo.
¿Hace falta GPU?
Las primeras prácticas funcionan en CPU. Para medir memoria y tamaño de lote se usa GPU: la vuestra o una compartida del laboratorio.
¿Se puede adaptar a mi equipo?
Sí. Ajustamos ejemplos y prácticas a las herramientas y procesos del equipo, y podemos combinarlo con otros cursos de IA.
