当前播放: 11 | 深度学习与硬件:GPU
00:00 / 00:00
高清
  • 高清
1.0x
  • 2.0x
  • 1.5x
  • 1.25x
  • 1.0x
  • 0.5x
网页全屏
全屏
00:00
付费课程,可试看
课程目录
第一章:AI及NLP基础 (15讲)
01 | 课程介绍
免费
02 | 内容综述
免费
03 | AI概览:宣传片外的人工智能
免费
04 | AI项目流程:从实验到落地
免费
05 | NLP领域简介:NLP基本任务及研究方向
免费
06 | NLP应用:智能问答系统
07 | NLP应用:文本校对系统
08 | NLP的学习方法:如何在AI爆炸时代快速上手学习?
09 | 深度学习框架简介:如何选择合适的深度学习框架?
10 | 深度学习与硬件:CPU
11 | 深度学习与硬件:GPU
12 | 深度学习与硬件:TPU
13 | AI项目部署:基本原则
14 | AI项目部署:框架选择
15 | AI项目部署:微服务简介
第二章:深度学习简介和NLP试水 (14讲)
16 | 统计学基础:随机性是如何改变数据拟合的本质的?
17 | 神经网络基础:神经网络还是复合函数
18 | 神经网络基础:训练神经网络
19 | 神经网络基础:神经网络的基础构成
20 | Embedding简介:为什么Embedding更适合编码文本特征?
21 | RNN简介:马尔可夫过程和隐马尔可夫过程
22 | RNN简介:RNN和LSTM
23 | CNN:卷积神经网络是什么?
24 | 环境部署:如何构建简单的深度学习环境?
25 | PyTorch简介:Tensor和相关运算
26 | PyTorch简介:如何构造Dataset和DataLoader?
27 | PyTorch简介:如何构造神经网络?
28 | 文本分类实践:如何进行简单的文本分类?
29 | 文本分类实践的评价:如何提升进一步的分类效果?
第三章:表格化数据挖掘 (40讲)
30 | 经典的数据挖掘方法:数据驱动型开发早期的努力
31 | 表格化数据挖掘基本流程:看看现在的数据挖掘都是怎么做的?
32 | Pandas简介:如何使用Pandas对数据进行处理?
33 | Matplotlib简介:如何进行简单的可视化分析?
34 | 半自动特征构建方法:Target Mean Encoding
35 | 半自动特征构建方法:Categorical Encoder
36 | 半自动特征构建方法:连续变量的离散化
37 | 半自动特征构建方法:Entity Embedding
38 | 半自动构建方法:Entity Embedding的实现
39 | 半自动特征构建方法:连续变量的转换
40 | 半自动特征构建方法:缺失变量和异常值的处理
41 | 自动特征构建方法:Symbolic learning和AutoCross简介
42 | 降维方法:PCA、NMF 和 tSNE
43 | 降维方法:Denoising Auto Encoders
44 | 降维方法:Variational Auto Encoder
45 | 变量选择方法
46 | 集成树模型:如何提升决策树的效果
47 | 集成树模型:GBDT和XgBoost的数学表达
48 | 集成树模型:LightGBM简介
49 | 集成树模型:CatBoost和NGBoost简介
50 | 神经网络建模:如何让神经网络实现你的数据挖掘需求
51 | 神经网络的构建:Residual Connection和Dense Connection
52 | 神经网络的构建:Network in Network
53 | 神经网络的构建:Gating Mechanism和Attention
54 | 神经网络的构建:Memory
55 | 神经网络的构建:Activation Function
56 | 神经网络的构建:Normalization
57 | 神经网络的训练:初始化
58 | 神经网络的训练:学习率和Warm-up
59 | 神经网络的训练:新的PyTorch训练框架
60 | Transformer:如何通过Transformer榨取重要变量?
61 | Transformer代码实现剖析
62 | xDeepFM:如何用神经网络处理高维的特征?
63 | xDeepFM的代码解析
64 | 时序建模:如何用神经网络解决时间序列的预测问题?
65 | 图嵌入:如何将图关系纳入模型?
66 | 图网络简介:如何在图结构的基础上建立神经网络?
67 | 模型融合基础:如何让你所学到的模型方法一起发挥作用?
68 | 高级模型融合技巧:Metades是什么?
69 | 挖掘自然语言中的人工特征:如何用传统的特征解决问题?
第四章:自然语言分类任务 (37讲)
70 | 重新审视Word Embedding:Negative Sampling和Contextual Embedding
71 | 深度迁移学习模型:从ELMo到BERT
72 | 深度迁移学习模型:RoBERTa、XLNet、ERNIE和T5
73 | 深度迁移学习模型:ALBERT和ELECTRA
74 | 深度迁移学习模型的微调:如何使用TensorFlow在TPU对模型进行微调
75 | 深度迁移学习模型的微调:TensorFlow BERT代码简析
76 | 深度迁移学习的微调:如何利用PyTorch实现深度迁移学习模型的微调及代码简析
77 | 优化器:Adam和AdamW
78 | 优化器:Lookahead,Radam和Lamb
79 | 多重loss的方式:如何使用多重loss来提高模型准确率?
80 | 数据扩充的基本方法:如何从少部分数据中扩充更多的数据并避免过拟合?
81 | UDA:一种系统的数据扩充框架
82 | Label Smoothing和Logit Squeezing
83 | 底层模型拼接:如何让不同的语言模型融合在一起从而达到更好的效果?
84 | 上层模型拼接:如何在语言模型基础上拼接更多的模型?
85 | 长文本分类:截取、关键词拼接和预测平均
86 | Virtual Adverserial Training:如何减少一般对抗训练难收敛的问题并提高结果的鲁棒性?
87 | 其他Embedding的训练:还有哪些Embedding方法?
88 | 训练预语言模型
89 | 多任务训练:如何利用多任务训练来提升效果?
90 | Domain Adaptation:如何利用其它有标注语料来提升效果?
91 | Few-shot Learning:是否有更好的利用不同任务的方法?
92 | 半监督学习:如何让没有标注的数据也派上用场?
93 | 依存分析和Semantic Parsing概述
94 | 依存分析和Universal Depdency Relattions
95 | 如何在Stanza中实现Dependency Parsing
96 | Shift Reduce算法
97 | 基于神经网络的依存分析算法
98 | 树神经网络:如何采用Tree LSTM和其它拓展方法?
99 | Semantic Parsing基础:Semantic Parsing的任务是什么?
100 | WikiSQL任务简介
101 | ASDL和AST
102 | Tranx简介
103 | Lambda Caculus概述
104 | Lambda-DCS概述
105 | Inductive Logic Programming:基本设定
106 | Inductive Logic Programming:一个可微的实现
第五章:增强学习 (17讲)
107 | 增强学习的基本设定:增强学习与传统的预测性建模有什么区别?
108 | 最短路问题和Dijkstra Algorithm
109 | Q-learning:如何进行Q-learning算法的推导?
110 | Rainbow:如何改进Q-learning算法?
121 | Policy Gradient:如何进行Policy Gradient的基本推导?
112 | A2C和A3C:如何提升基本的Policy Gradient算法
113 | Gumbel-trick:如何将离散的优化改变为连续的优化问题?
114 | MCTS简介:如何将“推理”引入到强化学习框架中
115 | Direct Policty Gradient:基本设定及Gumbel-trick的使用
116 | Direct Policty Gradient:轨迹生成方法
117 | AutoML及Neural Architecture Search简介
118 | AutoML网络架构举例
119 | RENAS:如何使用遗传算法和增强学习探索网络架构
120 | Differentiable Search:如何将NAS变为可微的问题
121 | 层次搜索法:如何在模块之间进行搜索?
122 | LeNAS:如何搜索搜索space
123 | 超参数搜索:如何寻找算法的超参数
11 | 深度学习与硬件:GPU

11 | 深度学习与硬件:GPU

王然
众微科技AI Lab技术负责人、阿姆斯特丹大学数学和计量经济学双硕士
每周四 12:00 更新3045
新人首单 ¥29.9 原价 ¥129
7
本节摘要
登录 后留言

精选留言(9)

  • mochp
    王老师的课程真的是非常接地气,受益良多!关于显存污染这个问题有一些疑问
    1、GPU不做显存管理么?如果显存污染的话,一块卡只能部署一个模型,是不是一块卡上也只能有一个程序使用显卡,别的程序使用这个显卡的话会出问题
    2、目前确实尝试过在一块卡上部署了多个模型(三个yolo3,每个模型占用显存不到1G),但是没有发现什么问题(捂脸)。怎么能复现或者模拟下显存污染的场景。

    作者回复: 很难复现,这是最麻烦的问题。有时候就什么事情都没有,但一旦出现就很恶心。你可以部署多个模型,但建议用一个serving服务来做。

    2020-03-06
    1
    3
  • 王柯
    知识点 显存污染 get!!
    2020-03-03
    1
  • 岛乾坤
    老实这些注意事项都是实际工作中总结出来的?没有动手部署或者操作过,现在还不太好理解。希望后面老师能多分享工作中遇到的问题。

    作者回复: 基本都是踩过的坑~

    2020-03-03
    1
  • moslunix
    Intel的GPU卡怎样,现在有部分的框架可以支持Intel的GPU
    2020-04-23
  • evelyn
    老师,tf serving可以指定占用的显存大小,比如16G的显存,只用其中8G,这样是不是可以同时跑两个模型,每个占一半?还会有显存污染的问题吗?
    2020-03-30
  • wonder2025
    有个问题,既然存在显存污染的问题,那用k8s管理gpu集群,让它来负责管理训练推理的资源是否合适呢?
    2020-03-12
  • wonder2025
    老师说的很实际,谢谢老师
    2020-03-12
  • qinsi
    商用卡和民用卡的区别主要是ECC,但据说对深度学习没啥影响
    2020-03-06
  • paddy0914
    目前基于k8s来调度GPU的方案,大部分是通过Mount Bind来实现的,这种方式只是做了多块卡的隔离,是不是不会触发老师说的显存污染问题?另外像NVIDIA针对商业卡的虚拟GPU方案,是否会出现显存污染的问题?

    作者回复: 1. 不一定能解决。如果你强制在一个GPU上部署多个模型多少有些危险。2. NVidia的方案我们试用过,主要问题是显存污染比较难以察觉和测试,所以我们虽然没发现问题,但是也确实没法说就不会出现问题(捂脸)。对于GPU的问题就是这样,特别难以发现,所以一般来说我建议都是尽可能隔离开,但是这样效率损失就很大。所以前后都是闹心...

    2020-03-03
    1
收起评论
看过的人还看
AI技术内参

洪亮劼  Etsy数据科学主管,前雅虎研究院资深科学家

166讲 | 9792 人已学习

新人首单 ¥49.9 原价 ¥199
TensorFlow快速入门与实战

彭靖田  Google Developers Expert,《深入理解TensorFlow》作者

67讲 | 8265 人已学习

新人首单 ¥29.9 原价 ¥129
数据结构与算法之美

王争  前Google工程师

80讲 | 87317 人已学习

新人首单 ¥29.9 原价 ¥129
TensorFlow 2项目进阶实战

彭靖田  Google Developer Expert、《TensorFlow 快速入门与实战》作者

48讲 | 2022 人已学习

新人首单 ¥29.9 原价 ¥129