Entraîner des modèles nécessitant beaucoup de ressources de calcul avec Azure Machine Learning
Les modèles à grande échelle de Machine Learning et Deep Learning nécessitent une puissance de calcul importante. Découvrez quand choisir le calcul GPU et comment différents frameworks vous aident à optimiser l’utilisation du calcul GPU pendant le prétraitement, l’apprentissage du modèle et le déploiement.
Prérequis
Avant de commencer ce parcours d’apprentissage, vous devez être familiarisé avec Azure Machine Learning service, ainsi qu’avec l’apprentissage de modèles Machine Learning et Deep Learning.
Code de réussite
Souhaitez-vous demander un code de réussite ?
Modules de ce parcours d’apprentissage
Choisissez le calcul de processeur graphique dans Azure Machine Learning pour entraîner les modèles qui nécessitent beaucoup de ressources de calcul. Pour réduire le temps nécessaire au traitement des données, stockez vos données efficacement et utilisez une bibliothèque de manipulation de données compatible avec le calcul de processeur graphique.
Entraînez des modèles nécessitant beaucoup de ressources de calcul avec le calcul GPU dans Azure Machine Learning. Pour trouver la configuration de calcul optimale, monitorez les charges de travail. L’entraînement distribué vous permet d’utiliser plusieurs nœuds pour accélérer l’entraînement.
Le déploiement de modèles à grande échelle pour l’inférence en temps réel n’est pas facile en raison de la taille des modèles. Découvrez ce que vous pouvez faire et les frameworks que vous pouvez utiliser pour optimiser les performances de votre modèle lors du scoring de modèle.