Ce module explore les approches de vision spécialisées dans PyTorch, en commençant par la façon dont les champs réceptifs se développent dans les CNN et en passant à des outils d'interprétabilité tels que les cartes de saillance et Grad-CAM pour révéler ce qui motive les prédictions du modèle. Vous plongerez ensuite dans les modèles génératifs, en utilisant les techniques de diffusion avec la bibliothèque de diffuseurs Hugging Face et Stable Diffusion pour créer des images tout en expérimentant les paramètres qui façonnent la sortie.

Ce module démystifie les architectures de transformateurs en montrant comment les modèles NLP modernes sont construits à partir de composants PyTorch familiers tels que les couches linéaires, les embeddings et l'attention. Vous explorerez pas à pas les conceptions codeur seul, décodeur seul et codeur-décodeur, en apprenant comment l'attention, le codage positionnel et l'attention croisée rendent ces modèles si puissants pour des tâches allant de la classification à la traduction.

Ce module comble le fossé entre la formation des modèles et leur déploiement dans le monde réel, en couvrant la façon de sauvegarder, de suivre et de gérer les expériences avec la sérialisation PyTorch et MLflow. Vous rendrez ensuite les modèles portables avec ONNX et les optimiserez pour la production en utilisant des techniques d'élagage et de quantification qui réduisent la taille et augmentent la vitesse sans perdre en précision.