Dieses Modul erforscht spezialisierte Bildverarbeitungsansätze in PyTorch, beginnend damit, wie rezeptive Felder in CNNs wachsen, bis hin zu Interpretationswerkzeugen wie Saliency Maps und Grad-CAM, um herauszufinden, was Modellvorhersagen antreibt. Anschließend tauchen Sie in generative Modelle ein und verwenden Diffusionstechniken mit der Hugging Face Diffuser-Bibliothek und Stable Diffusion, um Bilder zu erstellen und mit Parametern zu experimentieren, die das Ergebnis beeinflussen.

Dieses Modul entmystifiziert Transformer-Architekturen, indem es zeigt, wie moderne NLP-Modelle aus bekannten PyTorch-Komponenten wie linearen Schichten, Einbettungen und Aufmerksamkeit aufgebaut sind. Sie werden Schritt für Schritt Encoder-Only-, Decoder-Only- und Encoder-Decoder-Designs erkunden und lernen, wie Aufmerksamkeit, Positionskodierung und Cross-Attention diese Modelle für Aufgaben von der Klassifikation bis zur Übersetzung so leistungsfähig machen.

Dieses Modul schlägt die Brücke zwischen dem Training von Modellen und ihrer Bereitstellung in der realen Welt. Es behandelt das Speichern, Verfolgen und Verwalten von Experimenten mit PyTorch Serialisierung und MLflow. Anschließend werden Sie Modelle mit ONNX portabel machen und sie für die Produktion mit Pruning- und Quantisierungstechniken optimieren, die die Größe verringern und die Geschwindigkeit erhöhen, ohne an Genauigkeit zu verlieren.