文件名称:distributed_pytorch:使用Dask和PyTorch课程进行并行化和分布式计算
文件大小:2.82MB
文件格式:ZIP
更新时间:2024-06-08 08:27:54
HTML
使用Dask和PyTorch课程进行并行化和分布式计算 数据科学为商业,学术界和其他部门带来不可否认的价值。 随着我们开始意识到这一点,企业和组织已经在收集和存储比以往任何时候都更多的数据。 因此,数据科学从业者所面临的挑战不是复杂的机器学习方法,而是我们处理大量数据的能力。 将并行化和分布式计算应用于机器学习用例(例如计算机视觉任务)可以提高速度和生产率,从而使我们能够充分利用海量数据和复杂方法。 利用分布式计算并将标准Python转换为优化的并行代码可能是具有挑战性的。 学完本课程后,学生将掌握使用分布式计算和并行化以扩大其机器学习所需的基础知识。 本课程将包括一个案例研究示例,演示使用PyTorch进行图像分类的这些策略,PyTorch是可以受益于并行化的多种机器学习方法之一。 学习目标 学完本课程后,学生将能够: 描述什么是分布式计算,并了解如何访问云中的机器集群并与之交互 解
【文件预览】:
distributed_pytorch-main
----chapter4()
--------README.md(133B)
--------Chapter4.ipynb(1.29MB)
--------Chapter4.slides.html(1.85MB)
--------setup.py(761B)
----.gitignore(2KB)
----README.md(2KB)
----chapter2()
--------README.md(459B)
--------Chapter2.ipynb(50KB)
--------Chapter2.slides.html(616KB)
--------img()
--------mydask.png(27KB)
----introduction.md(286B)
----LICENSE(1KB)
----chapter3()
--------README.md(155B)
--------Chapter3.slides.html(705KB)
--------Chapter3.ipynb(8KB)
----chapter1()
--------README.md(219B)
--------Chapter1.ipynb(12KB)
--------Chapter1.slides.html(572KB)
--------img()