LFD473 PyTorch in Practice: An Applications-First Approach

Seminarinformationen

Seminar - Ziel

In dieser 4‑tägigen Schulung „LFD473 PyTorch in Practice: An Applications-First Approach" liegt der Fokus darauf, Ihnen praxisorientierte Kenntnisse zu PyTorch zu vermitteln und Sie zu befähigen, KI‑Applikationen zu prototypen.

Sie starten mit der Entwicklung von AI‑Applikationen mit PyTorch und nutzen leistungsstarke vortrainierte Modelle aus den Bereichen Computer Vision und Natural Language Processing (NLP), um eine breite Palette von praktischen, realen Herausforderungen mit einem der beliebtesten Deep‑Learning‑Frameworks zu lösen.

Der Kurs beginnt mit einem Überblick über PyTorch, einschließlich Model classes, Datasets, Data loaders und dem Training loop. Anschließend wird gezeigt, wie Sie dieses mit vortrainierten Modellen nutzen.

Praktische Lab‑Exercises umfassen multiple Themen: Image Classification, Object Detection, Sentiment Analysis, Text Classification sowie Text Generation/Completion. Sie lernen, vorhandene Modelle mit Ihren eigenen Daten zu fine‑tunen und zusätzlich third‑party APIs zu nutzen.

Der Kurs bietet Hands‑On‑Experience, um Deep‑Learning‑Modelle mit den PyTorch‑ und Hugging‑Face‑Ecosystems von vortrainierten Modellen für Computer‑Vision‑ und NLP‑Tasks zu trainieren und zu fine‑tunen. Zusätzlich können Sie Prototype‑Applications mit TorchServe bereitstellen, um Anwendungen schnell zu validieren und zu demonstrieren.

Die Schulung deckt praxisnahe Anwendungsfälle ab, darunter Computer Vision, Natural Language Processing, Objekterkennung, Bildsegmentierung, Textklassifikation, Sentiment Analysis, Text Generation/Completion und Large Language Models (LLMs). Mithilfe von Hands‑On‑Übungen werden Ihnen die Kenntnisse vermittelt, Modelle zu erstellen, zu bewerten und zu fine‑tunen.

Teilnehmer - Zielgruppe

• Entwickler
• KI-Entwickler
• Data Scientist

Kurs - Voraussetzungen

Formal gibt es keine zwingenden Voraussetzungen. Für eine optimale Teilnahme empfehlen wir folgende Vorkenntnisse:

• Python: Grundkenntnisse, insbesondere Kenntnisse des object-oriented programming (OOP)
• PyData Stack:NumPy, Pandas, Matplotlib, Scikit-Learn,
• Machine Learning Konzepte: Supervised Learning, Loss Functions, Train–Validation–Test Split, Evaluation Metrics

Grundlegende Kenntnisse in Computer Vision und Natural Language Processing sind hilfreich, aber nicht zwingend erforderlich.

Seminardauer

• 4 Tage
• 09:00 Uhr bis 17:00 Uhr

Schulungsunterlagen

• nach Absprache

Seminar-Inhalt / Agenda

Einführung

• Die Linux Foundation
• Die Linux Foundation Training
• Die Linux Foundation Certifications
• Die Linux Foundation Digital Badges
• Die Linux Foundation Subscriptions
• Lab Exercises, Lösungen und Ressourcen
• Änderungen in Linux und Open-Source-Projekten
• Plattform-Details

PyTorch, Datensätze und Modelle

• Was ist PyTorch?
• Das PyTorch-Ökosystem
• Supervised vs. Unsupervised Learning
• Softwareentwicklung vs. Machine Learning und Deep Learning
• „Hello Model“
• Naming Is Hard
• Setup and Environment

Erstellung des ersten Datensatzes

• Tensors, Devices und CUDA
• Datasets
• Dataloaders
• Datapipes
• Lab 1A: Non-Linear Regression

Training Ihres ersten Modells

• Recap
• Models
• Loss Functions
• Gradients und Autograd
• Optimizers
• The Raw Training Loop
• Evaluation
• Saving and Loading Models
• NonLinearities
• Lab 1B: Non-Linear Regression

Erstellung Ihres ersten Hugging Face-Datensatzes

• A New Dataset
• Lab 2: Price Prediction
• Tour of High Level Libraries

Transfer Learning und Pretrained Models

• What is Transfer Learning?
• Torch Hub
• Computer Vision
• Dropout
• ImageFolder Dataset
• Lab 3: Classifying Images

Pretrained Models for Computer Vision

• PyTorch Image Models
• Hugging Face

Natural Language Processing

• Natural Language Processing
• One Logit or Two Logits?
• Cross-Entropy Loss
• TensorBoard
• Lab 4: Sentiment Analysis
• Hugging Face Pipelines
• Generative Models

Image Classification mit Torchvision

• Torchvision
• Pretrained Models as Feature Extractors

Fine-Tuning Pretrained Models for Computer Vision

• Fine-Tuning Pretrained Models
• Zero-Shot Image Classification

Serving Models mit TorchServe

• Archiving and Serving Models
• TorchServe

Objekterkennung und Bildsegmentierung

• Object Detection, Image Segmentation und Keypoint Detection
• Bounding Boxes
• Torchvision Operators
• Transforms (V2)
• Benutzerdefinierter Datensatz für Objekterkennung
• Lab 5A: Fine-Tuning Object Detection Models

Modelle für Objekterkennung und Bildsegmentierung

• Models
• Lab 5B: Fine-Tuning Object Detection Models

Evaluation von Objekterkennungsmodellen

• Recap
• Making Predictions
• Evaluation
• YOLO
• Hugging Face Pipelines for Object Detection
• Zero-Shot Object Detection

Word Embeddings und Textklassifikation

• AG News Dataset
• Tokenization
• Embeddings
• Vector Databases
• Zero-Shot Text Classification
• Chunking Strategies
• Lab 6: Text Classification using Embeddings

Contextual Word Embeddings mit Transformers

• Attention is All You Need
• Transformer
• An Encoder-Based Model for Classification
• Contextual Embeddings

Hugging Face Pipelines for NLP Tasks

• Hugging Face Pipelines
• Lab 7: Document Q&A

Question Answering, Summarization und LLMs

• EDGAR Dataset
• Hallucinations
• Asymmetric Semantic Search
• ROUGE Score
• Decoder-Based Models
• Large Language Models (LLMs)

Closing and Evaluation Survey

• Evaluation Survey

Weitere Schulungen zu Thema Linux Foundation