Cloud TPUs for AI Infrastructure: Accelerating Deep Learning Models (bằng tiếng Anh).

Khi mô hình học sâu phát triển về kích thước và phức tạp, phần cứng tiêu chuẩn thường phải vật lộn để theo kịp nhu cầu đào tạo. Chương trình học dựa trên văn bản này hướng dẫn bạn từ các khái niệm cơ bản về phần cứng tới việc chạy các ứng dụng học máy tối ưu hóa cao. Bạn sẽ có được kiến thức cần thiết để chọn, cấu hình, và thu nhỏ các tài nguyên TPU cho việc huấn luyện và suy luận mô hình hiệu quả. Bạn sẽ học được: - Hiểu được sự khác biệt về kiến trúc giữa CPU, GPU và TPU cho học máy. - So sánh các thế hệ TPU và các loại gia tốc khác nhau để chọn phù hợp với khối lượng công việc của bạn. - Cấu hình PyTorch với XLA và sử dụng JAX để chạy các mô hình học sâu một cách liền mạch trên phần cứng TPU. - Ứng dụng các chiến lược tối ưu để tối đa hóa hiệu quả đào tạo và hiệu quả tài nguyên. - Quản lý tương tác TPU-GPU để thiết kế các đường ống học máy linh hoạt, lai. - Thực hiện các mô hình huấn luyện phân phối cơ bản để đo lường các mô mẫu trên nhiều chip TPU. Chương trình bắt đầu với thuật ngữ phần cứng cơ bản, giải thích cách các đơn vị xử lý tenxơ khác với bộ xử lí truyền thống. Sau đó bạn sẽ tiến hành qua các bước viết hướng dẫn, cấu hình mã, và chiến lược tối ưu hóa cho các khung học máy hiện đại. Chương trình này được thiết kế cho kỹ sư học máy mới bắt đầu, các nhà khoa học dữ liệu, và kiến trúc sư đám mây đang tìm cách tăng tải công việc AI của họ. Không cần kinh nghiệm TPU trước đó, mặc dù sự quen thuộc cơ bản với Python và các khái niệm mạng nơron sẽ giúp ích. Bắt đầu tối ưu hóa cơ sở hạ tầng học máy của bạn ngay hôm nay.