PyTorch ile Derin Öğrenme Eğitimi | Digital Vizyon Akademi

Eğitim Hakkında

Bu eğitim, araştırma ve endüstride en yaygın kullanılan derin öğrenme çerçevelerinden PyTorch ile esnek modeller tasarlamak, eğitimi hızlandırmak ve modelleri üretime taşımak isteyen profesyoneller için hazırlanmış ileri düzey bir programdır. Katılımcılar görüntü ve metin modellerini sıfırdan kurar, Hugging Face ile ince ayar yapar ve ONNX ile dağıtır.

Neden Bu Eğitim?

Çerçeveye Hakimiyet. Tensör, autograd ve nn.Module yapısını derinlemesine öğrenerek her mimariyi kendi kodunuzla kurabilirsiniz.

Hız ve Ölçek. torch.compile, karma hassasiyet ve dağıtık veri paralelliğiyle eğitim süresini ve GPU maliyetini düşürün.

Üretime Hazır Kod. Tekrarlanabilir eğitim, deney takibi ve ONNX dışa aktarma ile modelleri güvenle kullanıma sunun.

“PyTorch size bir kalıp değil, fikirlerinizi satır satır koda dökebileceğiniz bir tuval sunar; gerisi merakınıza ve disiplininize kalır.”

Ön Koşullar

İleri Python — Sınıflar, kalıtım, dekoratörler ve paket yönetimi ile rahat Python kodu yazabilmek.
Derin Öğrenme Temeli — Geri yayılım, kayıp fonksiyonları, CNN ve RNN kavramlarına aşinalık.
Linux ve Git — Komut satırında temel işlemler, sanal ortam yönetimi ve Git kullanımı.
GPU Erişimi — CUDA destekli GPU'lu bir makine veya GPU sunan bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiTensör işlemleri ve autograd mekanizmasını derinlemesine kavramak, özel modüller ve veri yükleyiciler yazmak, sağlam ve tekrarlanabilir bir eğitim döngüsü kurmak.

Modül 1

Tensörler ve autograd Derinlemesine

Tensör oluşturma, dtype, cihaz ve bellek paylaşımı
Görünüm, stride ve contiguous kavramları
Yayınlama ve yerinde işlemlerin gradyana etkisi
Hesaplama grafiği, requires_grad ve no_grad
Özel autograd fonksiyonu ile ileri ve geri geçiş
Laboratuvar: Gradyanları elle ve autograd ile doğrulama

Modül 2

nn.Module ile Model Tasarımı

nn.Module, parametreler ve alt modül yapısı
Sequential, ModuleList ve ModuleDict kullanımı
Özel katman yazımı ve ağırlık başlatma
Hook'lar ile ara aktivasyonların incelenmesi
state_dict ile kaydetme ve kısmi yükleme
Laboratuvar: Artık bloklu özel ağ mimarisi

Modül 3

Veri Yükleme ve Ön İşleme

Dataset ve IterableDataset sınıflarının yazımı
DataLoader: num_workers, pin_memory ve collate_fn
torchvision.transforms v2 ile görüntü dönüşümleri
Değişken uzunluklu dizilerde dolgu ve maskeleme
Veri hattı darboğazlarının tespiti ve giderilmesi
Laboratuvar: Özel görüntü veri seti ve yükleyici

Modül 4

Tekrarlanabilir Eğitim Döngüsü

Eğitim ve doğrulama döngüsünün modüler yazımı
AdamW, öğrenme oranı planlayıcı ve gradyan kırpma
torchmetrics ile doğru metrik hesaplama
Tohum, deterministik ayarlar ve kontrol noktası
TensorBoard veya MLflow ile deney takibi
Günün değerlendirmesi ve uygulamalar gününe köprü

Günün hedefiPyTorch ile CNN ve Transformer tabanlı modeller geliştirmek, timm ve Hugging Face ile transfer öğrenme uygulamak ve eğitim sorunlarını sistematik biçimde ayıklamak.

Modül 1

PyTorch ile Görüntü Modelleri

torchvision modelleri ve ağırlık API'si
timm kütüphanesi ile güncel görüntü omurgaları
Katman dondurma ve ayrımlı öğrenme oranları
Sınıf dengesizliği için ağırlıklı kayıp ve örnekleyici
Grad-CAM ile model kararlarının görselleştirilmesi
Laboratuvar: timm ile endüstriyel hata sınıflandırma

Modül 2

Transformer Modelleri ve Hugging Face

nn.MultiheadAttention ile dikkat katmanı
scaled_dot_product_attention ve verimli dikkat
Hugging Face transformers ile model ve tokenizer
Trainer API ile Türkçe metin sınıflandırma ince ayarı
PEFT ve LoRA ile parametre verimli ince ayar
Laboratuvar: Türkçe BERT modeliyle talep sınıflandırma

Modül 3

PyTorch Lightning ile Yapılandırılmış Kod

LightningModule ile model ve eğitim mantığının ayrımı
Trainer ile geri çağırmalar ve kontrol noktaları
Kod tekrarını azaltan yapılandırma yaklaşımı
Saf PyTorch ile Lightning arasındaki ödünleşim
Çoklu GPU'ya geçişi kolaylaştıran soyutlamalar
Laboratuvar: Görüntü modelinin Lightning'e taşınması

Modül 4

Eğitim Sorunlarında Hata Ayıklama

Tek batch'e aşırı uyum ile hızlı doğrulama testi
NaN kayıp, patlayan gradyan ve kararsız eğitim
Gradyan normları ve aktivasyon dağılımlarını izleme
CUDA bellek hataları ve bellek kullanım analizi
Veri sızıntısı ve etiket hatalarının tespiti
Günün özeti ve performans gününe hazırlık

Günün hedefiEğitim ve çıkarımı profilleyerek hızlandırmak, çoklu GPU ile ölçeklemek, modelleri optimize edip dışa aktararak servislemek ve uçtan uca projeyi sunmak.

Modül 1

Profilleme ve Performans Optimizasyonu

torch.profiler ile CPU, GPU ve veri hattı analizi
torch.amp ile karma hassasiyetli eğitim
bfloat16 ile float16 arasındaki farklar
torch.compile ile grafik derleme ve hızlanma
Gradyan biriktirme ve aktivasyon kontrol noktası
Laboratuvar: Eğitim hızının adım adım iyileştirilmesi

Modül 2

Çoklu GPU ve Dağıtık Eğitim

Veri paralelliği ve DistributedDataParallel (DDP)
torchrun ile çok süreçli eğitim başlatma
DistributedSampler ve senkronize metrikler
FSDP ile büyük modellerde parametre parçalama
Hugging Face Accelerate ile basitleştirilmiş ölçekleme
Demo: Tek ve çoklu GPU eğitim verimliliği

Modül 3

Model Dışa Aktarma ve Servisleme

torch.export ile model grafiğinin yakalanması
ONNX dışa aktarma ve ONNX Runtime ile çıkarım
Dinamik nicemleme ile model küçültme
FastAPI ile model servisleme uç noktası
NVIDIA Triton ile yüksek hacimli çıkarım seçeneği
Demo: Docker içinde ONNX Runtime tabanlı servis

Modül 4

Uçtan Uca PyTorch Projesi ve Kapanış

Proje: Veri, eğitim, optimizasyon ve servis katmanı
Takım sunumları ve performans ölçüm sonuçları
Kod incelemesi ve eğitmen geri bildirimi
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve proje depolarının paylaşımı
MLOps ve büyük model eğitimi için ileri yol haritası

Eğitim Kazanımları

Tensör ve autograd — Tensör bellek yapısını ve autograd mekanizmasını anlayarak özel gradyan hesaplamaları yazabileceksiniz.
Model Tasarımı — nn.Module, hook ve özel katmanlarla her türlü derin öğrenme mimarisini esnek biçimde kodlayabileceksiniz.
Veri Hatları — Özel Dataset ve DataLoader yapılarıyla görüntü ve metin verisi için verimli yükleme hatları kurabileceksiniz.
Tekrarlanabilir Eğitim — Deterministik ayarlar, kontrol noktaları ve deney takibiyle tekrarlanabilir eğitim döngüleri yazabileceksiniz.
Model İnce Ayarı — timm ve Hugging Face modellerini LoRA dahil tekniklerle kendi görüntü ve metin görevlerinize uyarlayabileceksiniz.
Hata Ayıklama — NaN kayıp, bellek hataları ve kararsız eğitim gibi sorunları sistematik yöntemlerle teşhis edebileceksiniz.
Performans ve Ölçek — torch.compile, karma hassasiyet, DDP ve FSDP ile eğitimi hızlandırıp çoklu GPU'ya ölçekleyebileceksiniz.
Model Dağıtımı — Modelleri ONNX'e aktarıp nicemleyerek FastAPI veya Triton üzerinden üretim ortamında servisleyeceksiniz.

Kimler İçin Uygundur?

Makine öğrenmesi mühendisleri
veri bilimciler
derin öğrenme araştırmacıları ve PyTorch tabanlı model geliştiren ya da üretime alan yazılım ve Ar-Ge ekipleri.

Sıkça Sorulan Sorular

PyTorch ile Derin Öğrenme Eğitimi kimler için uygundur?

Program; makine öğrenmesi mühendisleri, veri bilimciler, derin öğrenme araştırmacıları ve PyTorch tabanlı modelleri geliştiren veya üretime alan yazılım ve Ar-Ge ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 3 tam gün ve 12 modülden oluşur. Birinci gün PyTorch çekirdeği ve eğitim altyapısı, ikinci gün görüntü ve metin modelleriyle ince ayar, üçüncü gün performans, dağıtık eğitim ve dağıtım işlenir.

Katılım için hangi ön koşullar gerekiyor?

İleri düzey Python, geri yayılım, CNN ve RNN gibi temel derin öğrenme kavramları, temel Linux ve Git bilgisi beklenir. Laboratuvarlar için CUDA destekli GPU erişimi önerilir.

Eğitimde hangi kütüphaneler kullanılıyor?

PyTorch, torchvision, torchmetrics, timm, Hugging Face transformers, PEFT ve Accelerate, PyTorch Lightning, ONNX Runtime ve FastAPI kullanılır; yüksek hacimli servisleme için NVIDIA Triton tanıtılır.

Eğitim sonunda sertifika veriliyor mu, kuruma uyarlanabilir mi?

Evet. Projeyi tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır. Laboratuvar ve proje, kurumun veri tipi ve GPU altyapısına göre uyarlanabilir.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

PYTORCH İLE DERİN ÖĞRENME EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Tensörler ve autograd Derinlemesine

nn.Module ile Model Tasarımı

Veri Yükleme ve Ön İşleme

Tekrarlanabilir Eğitim Döngüsü

PyTorch ile Görüntü Modelleri

Transformer Modelleri ve Hugging Face

PyTorch Lightning ile Yapılandırılmış Kod

Eğitim Sorunlarında Hata Ayıklama

Profilleme ve Performans Optimizasyonu

Çoklu GPU ve Dağıtık Eğitim

Model Dışa Aktarma ve Servisleme

Uçtan Uca PyTorch Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi