Verwaltungsinformationen
| Titel | Hard- und Software-Frameworks für Deep Learning |
| Dauer | 60 Minuten |
| Modulen | B |
| Unterrichtstyp | Vortrag |
| Fokussierung | Technisches – Deep Learning |
| Themenbereich | Berechnungsgrafiken |
Suchbegriffe
Deep Learning, Software, Hardware, GPU-Infrastruktur,
Lernziele
- Sich mit den Hard- und Software-Frameworks für Deep-Learning-Systeme vertraut machen
Erwartete Vorbereitung
Lernveranstaltungen, die vorab abgeschlossen werden müssen
Obligatorisch für Studenten
Keine.
Optional für Studenten
Keine.
Referenzen und Hintergründe für Studierende
Keine.
Empfohlen für Lehrer
Keine.
Unterrichtsmaterialien
Anleitung für Lehrer
Ziel dieser Vorlesung ist es, den Studierenden zu zeigen, welche Hardware- und Softwarearchitekturen bei der Ausbildung und Bereitstellung von Deep-Learning-Lösungen helfen. Wir müssen anerkennen, dass diese Hardware- und Software-Komponenten brillante technische Lösungen sind, die es uns ermöglichen, Schulungen und Schlussfolgerungen zu skalieren. Neben der Hardware sind NVIDIA GPUs und Google TPUs heute die beste Wahl, da sie optimierte Deep-Learning-Algorithmen mit hochwertigen und schnellen Treibern implementieren.
Für Deep Learning verwenden wir viel mehr Software als Deep-Learning-Frameworks allein. Wir verwenden Konfiguration, Planung, Orchestrierung und viele andere Tools. Die kurze Einführung in diesem Vortrag kratzt nur an der Oberfläche.
Im letzten Teil des Vortrags zeigen wir, wie Multi-GPU-Training mit Horovod realisiert werden kann. Ziel ist es nicht, tief in Multi-GPU-Trainings einzutauchen, sondern zu zeigen, dass es nicht so schwer ist, eine Basislösung zu implementieren.
Das Öffnen der Websites der Hardwarehersteller und der Softwareanbieter könnte den Schülern helfen, praktische Erfahrungen zu haben.
Gliederung
- Hardwarelösungen – vom Desktop bis zum Servergrad
- Deep-Learning-Software-Frameworks
- zusätzliche Software für Deep-Learning-Lösungen
| Dauer (Min.) | Beschreibung |
|---|---|
| 5 | Die Notwendigkeit von Parallel Computing im Deep Learning |
| 15 | Hardwarelösungen |
| 5 | Wie man verschiedene Hardware für Deep Learning vergleicht |
| 10 | Deep-Learning-Softwarearchitektur |
| 10 | Deep-Learning-Frameworks |
| 10 | Zusätzliche Softwarekomponenten |
Danksagung
Balint Gyires-Tóth (Budapest University of Technology and Economics)
Das Human-Centered AI Masters-Programm wurde von der Fazilität „Connecting Europe“ der Europäischen Union im Rahmen des Zuschusses „CEF-TC-2020-1 Digital Skills 2020-EU-IA-0068“ kofinanziert.