دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Distributed Machine Learning with Python: Accelerating model training and serving with distributed systems
دانلود کتاب یادگیری ماشینی توزیع شده با پایتون: تسریع آموزش مدل و ارائه خدمات با سیستم های توزیع شده
مشخصات کتاب
Distributed Machine Learning with Python: Accelerating model training and serving with distributed systems
ویرایش:
نویسندگان: G. Wang
سری:
ISBN (شابک) : 9781801815697
ناشر:
سال نشر: 2022
تعداد صفحات: 284
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 4 Mb
قیمت کتاب (تومان) : 38,000
در صورت تبدیل فایل کتاب Distributed Machine Learning with Python: Accelerating model training and serving with distributed systems به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشینی توزیع شده با پایتون: تسریع آموزش مدل و ارائه خدمات با سیستم های توزیع شده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب یادگیری ماشینی توزیع شده با پایتون: تسریع آموزش مدل و ارائه خدمات با سیستم های توزیع شده
ایجاد و استقرار یک خط لوله پردازش داده کارآمد برای آموزش مدل یادگیری ماشین در یک آموزش مدل الاستیک، موازی یا خوشه و ابر چند مستاجر ویژگی‌های کلیدی: تسریع آموزش مدل و تداخل با کاهش زمان مرتبه‌ای یادگیری وضعیت طرح‌های موازی هنر هم برای آموزش مدل و هم برای سرویس‌دهی مطالعه دقیق تنگناها در مراحل آموزش مدل توزیع شده و ارائه توضیحات کتاب: کاهش هزینه زمان در یادگیری ماشین منجر به زمان انتظار کوتاه‌تر برای آموزش مدل و چرخه به‌روزرسانی مدل سریع‌تر می‌شود. یادگیری ماشینی توزیع شده به متخصصان یادگیری ماشینی این امکان را می‌دهد که آموزش مدل و زمان استنتاج را با مرتبه‌ای بزرگ کوتاه کنند. با کمک این راهنمای عملی، می‌توانید دانش توسعه پایتون خود را برای راه‌اندازی و اجرای یادگیری ماشینی توزیع‌شده، از جمله سیستم‌های یادگیری ماشین چند گره‌ای، در کمترین زمان به کار ببرید. شما با بررسی نحوه عملکرد سیستم های توزیع شده در حوزه یادگیری ماشین و نحوه اعمال یادگیری ماشینی توزیع شده در مدل های پیشرفته یادگیری عمیق شروع خواهید کرد. همانطور که پیش می روید، نحوه استفاده از سیستم های توزیع شده را برای افزایش آموزش مدل یادگیری ماشین و سرعت ارائه خواهید دید. همچنین قبل از بهینه سازی آموزش مدل موازی و خط لوله سرویس دهی در خوشه های محلی یا محیط های ابری، با استفاده از روش های موازی داده و مدل موازی آشنا خواهید شد. در پایان این کتاب، دانش و مهارت های مورد نیاز برای ایجاد و استقرار یک خط لوله پردازش داده کارآمد برای آموزش مدل یادگیری ماشین و استنتاج به شیوه ای توزیع شده را به دست خواهید آورد. آنچه یاد خواهید گرفت: استقرار آموزش مدل توزیع شده و خطوط لوله سرویس دهی با ویژگی های پیشرفته در تنگناهای سیستم TensorFlow و PyTorch Mitigate در طول آموزش مدل موازی و سرویس دهی کشف آخرین تکنیک ها در بالای الگوی موازی کلاسیک کاوش ویژگی های پیشرفته در Megatron- LM و Mesh-TensorFlow از سخت‌افزارهای پیشرفته مانند NVLink، NVSwitch و GPU استفاده می‌کنند. این کتاب برای چه کسانی است: این کتاب برای دانشمندان داده، مهندسین یادگیری ماشین، و متخصصان ML در دانشگاه و صنعت است. یک درک اساسی از مفاهیم یادگیری ماشین و دانش کاری برنامه نویسی پایتون فرض شده است. تجربه قبلی پیاده سازی مدل های ML/DL با TensorFlow یا PyTorch مفید خواهد بود. اگر علاقه مند به استفاده از سیستم های توزیع شده برای تقویت آموزش مدل یادگیری ماشینی و سرعت سرویس دهی هستید، این کتاب برای شما مفید خواهد بود.
توضیحاتی درمورد کتاب به خارجی
Build and deploy an efficient data processing pipeline for machine learning model training in an elastic, in-parallel model training or multi-tenant cluster and cloud Key Features: Accelerate model training and interference with order-of-magnitude time reduction Learn state-of-the-art parallel schemes for both model training and serving A detailed study of bottlenecks at distributed model training and serving stages Book Description: Reducing time cost in machine learning leads to a shorter waiting time for model training and a faster model updating cycle. Distributed machine learning enables machine learning practitioners to shorten model training and inference time by orders of magnitude. With the help of this practical guide, you'll be able to put your Python development knowledge to work to get up and running with the implementation of distributed machine learning, including multi-node machine learning systems, in no time. You'll begin by exploring how distributed systems work in the machine learning area and how distributed machine learning is applied to state-of-the-art deep learning models. As you advance, you'll see how to use distributed systems to enhance machine learning model training and serving speed. You'll also get to grips with applying data parallel and model parallel approaches before optimizing the in-parallel model training and serving pipeline in local clusters or cloud environments. By the end of this book, you'll have gained the knowledge and skills needed to build and deploy an efficient data processing pipeline for machine learning model training and inference in a distributed manner. What You Will Learn: Deploy distributed model training and serving pipelines Get to grips with the advanced features in TensorFlow and PyTorch Mitigate system bottlenecks during in-parallel model training and serving Discover the latest techniques on top of classical parallelism paradigm Explore advanced features in Megatron-LM and Mesh-TensorFlow Use state-of-the-art hardware such as NVLink, NVSwitch, and GPUs Who this book is for: This book is for data scientists, machine learning engineers, and ML practitioners in both academia and industry. A fundamental understanding of machine learning concepts and working knowledge of Python programming is assumed. Prior experience implementing ML/DL models with TensorFlow or PyTorch will be beneficial. You'll find this book useful if you are interested in using distributed systems to boost machine learning model training and serving speed.
فهرست مطالب
Title page Copyright and Credits Dedication Contributors Table of Contents Preface Section 1 – Data Parallelism Chapter 1: Splitting Input Data Single-node training is too slow The mismatch between data loading bandwidth and model training bandwidth Single-node training time on popular datasets Accelerating the training process with data parallelism Data parallelism – the high-level bits Stochastic gradient descent Model synchronization Hyperparameter tuning Global batch size Learning rate adjustment Model synchronization schemes Summary Chapter 2: Parameter Server and All-Reduce Technical requirements Parameter server architecture Communication bottleneck in the parameter server architecture Sharding the model among parameter servers Implementing the parameter server Defining model layers Defining the parameter server Defining the worker Passing data between the parameter server and worker Issues with the parameter server The parameter server architecture introduces a high coding complexity for practitioners All-Reduce architecture Reduce All-Reduce Ring All-Reduce Collective communication Broadcast Gather All-Gather Summary Chapter 3: Building a Data Parallel Training and Serving Pipeline Technical requirements The data parallel training pipeline in a nutshell Input pre-processing Input data partition Data loading Training Model synchronization Model update Single-machine multi-GPUs and multi-machine multi-GPUs Single-machine multi-GPU Multi-machine multi-GPU Checkpointing and fault tolerance Model checkpointing Load model checkpoints Model evaluation and hyperparameter tuning Model serving in data parallelism Summary Chapter 4: Bottlenecks and Solutions Communication bottlenecks in data parallel training Analyzing the communication workloads Parameter server architecture The All-Reduce architecture The inefficiency of state-of-the-art communication schemes Leveraging idle links and host resources Tree All-Reduce Hybrid data transfer over PCIe and NVLink On-device memory bottlenecks Recomputation and quantization Recomputation Quantization Summary Section 2 – Model Parallelism Chapter 5: Splitting the Model Technical requirements Single-node training error – out of memory Fine-tuning BERT on a single GPU Trying to pack a giant model inside one state-of-the-art GPU ELMo, BERT, and GPT Basic concepts RNN ELMo BERT GPT Pre-training and fine-tuning State-of-the-art hardware P100, V100, and DGX-1 NVLink A100 and DGX-2 NVSwitch Summary Chapter 6: Pipeline Input and Layer Split Vanilla model parallelism is inefficient Forward propagation Backward propagation GPU idle time between forward and backward propagation Pipeline input Pros and cons of pipeline parallelism Advantages of pipeline parallelism Disadvantages of pipeline parallelism Layer split Notes on intra-layer model parallelism Summary Chapter 7: Implementing Model Parallel Training and Serving Workflows Technical requirements Wrapping up the whole model parallelism pipeline A model parallel training overview Implementing a model parallel training pipeline Specifying communication protocol among GPUs Model parallel serving Fine-tuning transformers Hyperparameter tuning in model parallelism Balancing the workload among GPUs Enabling/disabling pipeline parallelism NLP model serving Summary Chapter 8: Achieving Higher Throughput and Lower Latency Technical requirements Freezing layers Freezing layers during forward propagation Reducing computation cost during forward propagation Freezing layers during backward propagation Exploring memory and storage resources Understanding model decomposition and distillation Model decomposition Model distillation Reducing bits in hardware Summary Section 3 – Advanced Parallelism Paradigms Chapter 9: Hybrid of Data and Model Parallelism Technical requirements Case study of Megatron-LM Layer split for model parallelism Row-wise trial-and-error approach Column-wise trial-and-error approach Cross-machine for data parallelism Implementation of Megatron-LM Case study of Mesh-TensorFlow Implementation of Mesh-TensorFlow Pros and cons of Megatron-LM and Mesh-TensorFlow Summary Chapter 10: Federated Learning and Edge Devices Technical requirements Sharing knowledge without sharing data Recapping the traditional data parallel model training paradigm No input sharing among workers Communicating gradients for collaborative learning Case study: TensorFlow Federated Running edge devices with TinyML Case study: TensorFlow Lite Summary Chapter 11: Elastic Model Training and Serving Technical requirements Introducing adaptive model training Traditional data parallel training Adaptive model training in data parallelism Adaptive model training (AllReduce-based) Adaptive model training (parameter server-based) Traditional model-parallel model training paradigm Adaptive model training in model parallelism Implementing adaptive model training in the cloud Elasticity in model inference Serverless Summary Chapter 12: Advanced Techniques for Further Speed-Ups Technical requirements Debugging and performance analytics General concepts in the profiling results Communication results analysis Computation results analysis Job migration and multiplexing Job migration Job multiplexing Model training in a heterogeneous environment Summary Index About Packt Other Books You May Enjoy
نظرات کاربران
کتاب های تصادفی
دانلود کتاب Advances in Databases and Information Systems: 14th East European Conference, ADBIS 2010, Novi Sad, Serbia, September 20-24, 2010. Proceedings
دانلود کتاب Psychoanalytic Thinking in Occupational Therapy
دانلود کتاب Search Based Software Engineering: 8th International Symposium, SSBSE 2016, Raleigh, NC, USA, October 8-10, 2016, Proceedings
دانلود کتاب Knowledge Management for Health Care Procedures: From Knowledge to Global Care, AIME 2007 Workshop K4CARE 2007, Amsterdam, The Netherlands, July 7, 2007, ...
