کتاب Practical Deep Learning at Scale with MLflow

کتاب Practical Deep Learning at Scale with MLflow (یادگیری عمیق عملی در مقیاس با MLflow: شکاف بین آزمایش آفلاین و تولید آنلاین را پر کنید) از جدیدترین منابع یادگیری یادگیری عمیق با استفاده از MLflow می‌باشد. این کتاب در 10 فصل به آموزش مبانی مقدماتی تا پیشرفته‌ی یادگیری عمیق با استفاده از MLflow خواهد پرداخت.

در ادامه مقدمه‌ای از کتاب Practical Deep Learning at Scale with MLflow را از زبان نویسنده شرح خواهیم داد.

مقدمه‌ای بر کتاب Practical Deep Learning at Scale with MLflow:

از AlexNet در سال 2012، که برنده رقابت بزرگ ImageNet شد، تا مدل زبان از پیش‌آموزش‌دیده BERT در سال 2018، که در صدر بسیاری از جدول‌های پردازش زبان طبیعی (NLP) قرار گرفت، انقلاب یادگیری عمیق مدرن (DL) در حوزه مصنوعی گسترده‌تر جامعه هوش (AI) و یادگیری ماشین (ML) همچنان ادامه دارد. با این حال، چالش‌های انتقال این مدل‌های DL از آزمایش آفلاین به محیط تولید همچنان باقی است. این تا حد زیادی به دلیل پیچیدگی و عدم وجود یک چارچوب متن باز یکپارچه برای پشتیبانی از توسعه چرخه حیات کامل DL است.

این کتاب به شما کمک می‌کند تا تصویر بزرگ توسعه چرخه زندگی کامل DL را درک کنید و خطوط لوله DL را پیاده سازی کنید که می‌توانند از یک آزمایش آفلاین محلی به یک محیط توزیع شده و ابرهای تولید آنلاین مقیاس شوند، با تاکید بر یادگیری عملی مبتنی بر پروژه برای پشتیبانی فرآیند DL end-to-end با استفاده از چارچوب محبوب MLflow منبع باز.

کتاب با مروری بر چرخه زندگی کامل DL و زمینه عملیات یادگیری ماشین در حال ظهور (MLOps) شروع می‌شود و تصویر روشنی از چهار ستون DL (داده، مدل، کد و توضیح‌پذیری) و نقش MLflow در این موارد ارائه می‌کند. مناطق. یک مدل احساس NLP مبتنی بر یادگیری انتقال اولیه با استفاده از PyTorch Lightning Flash در فصل اول کتاب Practical Deep Learning at Scale with MLflow ساخته شده است، که بیشتر توسعه‌یافته، تنظیم شده و در بقیه کتاب به تولید رسیده است.

از آنجا به بعد، گام‌به‌گام شما را برای درک مفهوم آزمایش‌های MLflow و الگوهای استفاده، با استفاده از MLflow به عنوان یک چارچوب یکپارچه برای ردیابی داده‌های DL، کد و خط لوله، مدل، پارامترها و معیارها در مقیاس راهنمایی می‌کند.

ما خطوط لوله DL را در یک محیط اجرای توزیع شده با قابلیت تکرار و ردیابی منشأ اجرا می‌کنیم و مدل های DL را از طریق بهینه‌سازی هایپرپارامتر (HPO) با Ray Tune، Optuna و HyperBand تنظیم می‌کنیم. ما همچنین یک خط لوله استنتاج DL چند مرحله ای با مراحل پیش‌پردازش و پس‌پردازش ایجاد می‌کنیم، یک خط لوله استنتاج DL را برای تولید با استفاده از Ray Serve و AWS SageMaker مستقر می‌کنیم، و در نهایت، یک توضیح DL-as-a-Service با استفاده از توضیحات SHapley Additive ارائه می‌کنیم. SHAP) و ادغام MLflow.

در پایان این کتاب، شما پایه و تجربه عملی برای ایجاد خط لوله DL از آزمایش اولیه آفلاین تا استقرار و تولید نهایی، همه در یک چارچوب تکرارپذیر و منبع باز را خواهید داشت. در طول مسیر، چالش‌های منحصر به فرد خطوط لوله DL و چگونگی غلبه بر آن‌ها را با راه‌حل‌های عملی و مقیاس‌پذیر مانند استفاده از پردازنده‌های چند هسته‌ای، واحدهای پردازش گرافیکی (GPU)، چارچوب‌های محاسباتی توزیع‌شده و موازی و فضای ابری یاد خواهید گرفت.

این کتاب برای چه کسی است؟

کتاب Practical Deep Learning at Scale with MLflow برای دانشمندان داده، مهندسان ML و متخصصان هوش مصنوعی نوشته شده است که می‌خواهند با استفاده از چارچوب متن باز MLflow و ابزارهای مرتبط مانند Ray Tune، SHAP و Ray Serve بر چرخه زندگی کامل توسعه DL از آغاز تا تولید تسلط پیدا کنند. پیاده‌سازی‌های مقیاس‌پذیر، تکرارپذیر و آگاه به منشأ ارائه‌شده در این کتاب به شما اطمینان می‌دهند که یک خط لوله DL درجه یک سازمانی را با موفقیت بسازید. این کتاب از هر کسی که برنامه‌های ابری قدرتمند DL را بسازد، پشتیبانی می‌کند.

آنچه کتاب Practical Deep Learning at Scale with MLflow پوشش می‌دهد:

فصل 1 کتاب Practical Deep Learning at Scale with MLflow، چرخه زندگی یادگیری عمیق و چالش‌های MLOps، پنج مرحله از چرخه زندگی کامل DL و اولین مدل DL را در این کتاب با استفاده از رویکرد یادگیری انتقال برای طبقه‌بندی احساسات متن پوشش می‌دهد.

همچنین مفهوم MLOps را به همراه سه لایه پایه و چهار ستون و نقش MLflow در این مناطق تعریف می‌کند. مروری بر چالش‌های موجود در داده‌های DL، مدل، کد و قابلیت توضیح نیز ارائه شده است. این فصل از کتاب Practical Deep Learning at Scale with MLflow به گونه‌ای طراحی شده است که همه را به یک سطح پایه برساند و وضوح و رهنمودهایی را در مورد دامنه بقیه کتاب ارائه می‌دهد.

فصل 2 کتاب Practical Deep Learning at Scale with MLflow، شروع به کار با MLflow برای یادگیری عمیق، به عنوان آغازگر MLflow و اولین ماژول یادگیری عملی برای راه‌اندازی سریع یک سرور ردیابی MLflow مبتنی بر سیستم فایل محلی یا تعامل با یک سرور ردیابی MLflow مدیریت از راه دور در Databricks و انجام آن عمل می‌کند.

اولین آزمایش DL با استفاده از ثبت خودکار MLflow. همچنین برخی از مفاهیم اساسی MLflow را از طریق مثال‌های عینی مانند آزمایش‌ها، اجراها، ابرداده‌ها در مورد و رابطه بین آزمایش‌ها و اجراها، ردیابی کد، ثبت مدل و طعم مدل توضیح می‌دهد. به طور خاص، ما تأکید می‌کنیم که آزمایش‌ها باید موجودیت‌های درجه یک باشند که می‌توانند برای پر کردن شکاف بین چرخه عمر تولید آفلاین و آنلاین مدل‌های DL مورد استفاده قرار گیرند. این فصل دانش بنیادی MLflow را ایجاد می‌کند.

فصل 3 کتاب Practical Deep Learning at Scale with MLflow، مدل‌های ردیابی، پارامترها و معیارها، اولین ماژول یادگیری عمیق در مورد ردیابی با استفاده از یک سرور ردیابی MLflow محلی کاملاً پیشرفته را پوشش می‌دهد. با راه‌اندازی یک سرور ردیابی MLflow کاملاً محلی که در Docker Desktop اجرا می‌شود، با یک فروشگاه پشتیبان MySQL و یک فروشگاه مصنوع MinIO شروع می‌شود. قبل از اجرای ردیابی، این فصل از کتاب Practical Deep Learning at Scale with MLflow یک چارچوب ردیابی منشأ باز بر اساس مشخصات واژگان مدل منشأ باز ارائه می‌کند و شش نوع سؤال منشأ را ارائه می‌کند که می‌توانند با استفاده از MLflow پیاده‌سازی شوند.

سپس نمونه‌های پیاده‌سازی عملی در مورد نحوه استفاده از APIهای ثبت مدل MLflow و APIهای رجیستری برای ردیابی منشأ مدل، معیارهای مدل، و پارامترها، با یا بدون گزارش خودکار، ارائه می‌کند. برخلاف دیگر آموزش‌های معمولی MLflow API، که فقط راهنمایی در مورد استفاده از APIها ارائه می‌دهند، این فصل از کتاب Practical Deep Learning at Scale with MLflow به جای آن بر این موضوع تمرکز دارد که چگونه می‌توانیم با موفقیت از MLflow برای پاسخ به سؤالات منشأ استفاده کنیم.

در پایان این فصل از کتاب Practical Deep Learning at Scale with MLflow، می‌توانیم به چهار سؤال از شش سؤال منشأ پاسخ دهیم، و به دو سؤال باقی‌مانده تنها زمانی می‌توان پاسخ داد که یک خط لوله چند مرحله‌ای یا استقرار به تولید داشته باشیم، که در فصل‌های بعدی به آن پرداخته می‌شود.

فصل 4 کتاب Practical Deep Learning at Scale with MLflow، کد ردیابی و نسخه‌سازی داده، دومین ماژول یادگیری عمیق در مورد ردیابی MLflow را پوشش می‌دهد. این شیوه‌های جاری در استفاده از نوت‌بوک‌ها و خطوط لوله در پروژه‌های ML/DL را تحلیل می‌کند. استفاده از نوت‌بوک‌های VS Code را توصیه می‌کند و یک نمونه نوت‌بوک DL مشخص را نشان می‌دهد که می‌تواند به صورت تعاملی یا غیرتعاملی با فعال کردن ردیابی MLflow اجرا شود.

همچنین استفاده از پروژه MLflow را برای اجرای خط لوله DL چند مرحله ای با استفاده از نقاط ورودی MLflow و زنجیره خط لوله توصیه می‌کند. یک خط لوله سه مرحله ای DL برای آموزش و ثبت نام مدل DL ایجاد شده است. علاوه بر این، ردیابی سطح خط لوله و ردیابی گام های فردی را از طریق اجرای تودرتوی والد-فرزند در MLflow نشان می‌دهد. در نهایت، نحوه ردیابی کتابخانه های عمومی و خصوصی Python و نسخه سازی داده ها در Delta Lake با استفاده از MLflow را نشان می‌دهد.

فصل 5 کتاب Practical Deep Learning at Scale with MLflow، اجرای خطوط لوله DL در محیط های مختلف، نحوه اجرای خط لوله DL در محیط های مختلف را پوشش می‌دهد. با سناریوها و الزامات اجرای خطوط لوله DL در محیط های مختلف شروع می‌شود.

سپس نحوه استفاده از رابط خط فرمان (CLI) MLflow را برای ارسال اجراها در چهار سناریو نشان می‌دهد: اجرای محلی با کد محلی، اجرای محلی با کد راه دور در GitHub، اجرای از راه دور در فضای ابری با کد محلی، و اجرای از راه دور در فضای ابری. با کد راه دور در GitHub. انعطاف‌پذیری و تکرارپذیری پشتیبانی شده توسط MLflow برای اجرای خط لوله DL همچنین بلوک های ساختمانی را برای اتوماسیون پیوسته/استقرار پیوسته (CI/CD) در صورت نیاز فراهم می‌کند.

فصل 6 کتاب Practical Deep Learning at Scale with MLflow، اجرای تنظیم هایپرپارامتر در مقیاس، استفاده از MLflow را برای پشتیبانی از HPO در مقیاس با استفاده از چارچوب های پیشرفته HPO مانند Ray Tune پوشش می‌دهد. با مروری بر انواع و چالش های فراپارامترهای خط لوله DL شروع می‌شود. سپس، سه چارچوب HPO Ray Tune، Optuna و HyperOpt را با هم مقایسه می‌کند و تجزیه و تحلیل دقیقی از جوانب مثبت و منفی و بلوغ یکپارچه سازی آنها با MLflow ارائه می‌دهد.

سپس نحوه استفاده از Ray Tune با MLflow را برای انجام تنظیم HPO برای مدل DL که تاکنون در کتاب Practical Deep Learning at Scale with MLflow روی آن کار کرده‌ایم، توصیه و نشان می‌دهد. علاوه بر این، نحوه تغییر به دیگر الگوریتم‌های جستجو و زمان‌بندی HPO مانند Optuna و HyperBand را پوشش می‌دهد. این ما را قادر می‌سازد تا مدل‌های DL با کارایی بالا را تولید کنیم که نیازهای تجاری را به روشی مقرون‌به‌صرفه و مقیاس‌پذیر برآورده می‌کنند.

فصل 7 کتاب Practical Deep Learning at Scale with MLflow، خط لوله استنتاج یادگیری عمیق چند مرحله ای، ایجاد یک خط لوله استنتاج چند مرحله ای با استفاده از رویکرد مدل پایتون سفارشی MLflow را پوشش می‌دهد. با مروری بر چهار الگوی گردش کار استنتاج در تولید شروع می‌شود که در آن یک مدل آموزش‌دیده معمولاً برای برآورده کردن الزامات برنامه تجاری کافی نیست. مراحل پیش پردازش و پس پردازش اضافی مورد نیاز است.

سپس یک راهنمای گام‌به‌گام برای پیاده‌سازی خط لوله استنتاج چند مرحله‌ای ارائه می‌کند که مدل احساسات DL را که قبلاً تنظیم شده بود را با تشخیص زبان، ذخیره‌سازی حافظه پنهان و فراداده‌های مدل اضافی می‌پیچد. سپس این خط لوله استنتاج به عنوان یک مدل عمومی PyFunc MLflow ثبت می‌شود که می‌تواند با استفاده از API بارگذاری رایج MLflow PyFunc بارگذاری شود. داشتن یک خط لوله استنتاج پیچیده شده به عنوان یک مدل MLflow درهایی را برای اتوماسیون و مدیریت مداوم خط لوله مدل در چارچوب یکسان MLflow باز می‌کند.

فصل 8 کتاب Practical Deep Learning at Scale with MLflow، استقرار خط لوله استنتاج DL در مقیاس، استقرار خط لوله استنتاج DL را در محیط‌های میزبان مختلف برای استفاده در تولید پوشش می‌دهد. با مروری بر چشم‌انداز محیط‌های استقرار و میزبانی از جمله استنتاج دسته‌ای و استنتاج جریان در مقیاس شروع می‌شود.

سپس مکانیسم‌های استقرار مختلف مانند ابزارهای ارائه مدل داخلی MLflow، پلاگین‌های استقرار سفارشی و چارچوب‌های سرویس‌دهی مدل عمومی مانند Ray Serve را توضیح می‌دهد.

این نمونه‌هایی از نحوه استقرار خط لوله استنتاج دسته‌ای با استفاده از تابع تعریف شده توسط کاربر اسپارک (UDF) MLflow و نحوه ارائه خط لوله استنتاج DL به عنوان یک وب سرویس محلی با استفاده از ابزار ارائه مدل داخلی MLflow یا پلاگین استقرار MLflow در Ray Serve با نام mlflow-ray-serve را نشان می‌دهد. سپس یک راهنمای کامل گام‌به‌گام برای استقرار خط لوله استنتاج DL به یک نمونه مدیریت شده AWS SageMaker برای استفاده در تولید را شرح می‌دهد.

فصل نهم کتاب Practical Deep Learning at Scale with MLflow، مبانی توضیح‌پذیری یادگیری عمیق، مفاهیم اساسی توضیح‌پذیری و اکتشاف با استفاده از دو ابزار رایج توضیح‌پذیری را پوشش می‌دهد. با مروری بر هشت بعد قابل توضیح و هوش مصنوعی قابل توضیح (XAI) شروع می‌شود، سپس نمونه‌های یادگیری ملموسی را برای بررسی استفاده از جعبه ابزار SHAP و Transformers-interpret برای خط لوله احساسات NLP ارائه می‌کند.

تأکید می‌کند که توضیح‌پذیری باید به عنوان مصنوع درجه اول در هنگام توسعه یک برنامه کاربردی DL افزایش یابد، زیرا تقاضاها و انتظارات فزاینده‌ای برای توضیح مدل و داده در کاربردها و حوزه‌های مختلف تجاری وجود دارد.

فصل 10 کتاب Practical Deep Learning at Scale with MLflow، پیاده‌سازی توضیح‌پذیری DL با MLflow، نحوه پیاده‌سازی توضیح‌پذیری DL با استفاده از MLflow برای ارائه توضیح به‌عنوان سرویس (EaaS) را پوشش می‌دهد. با مروری بر قابلیت فعلی MLflow برای پشتیبانی از توضیح‌دهنده‌ها و توضیحات شروع می‌شود.

به طور خاص، ادغام موجود با SHAP در API های MLflow از توضیح‌پذیری DL در مقیاس پشتیبانی نمی‌کند. بنابراین، دو روش عمومی برای استفاده از APIهای ثبت مصنوع MLflow و APIهای PyFunc برای پیاده‌سازی ارائه می‌دهد.

مثال‌هایی برای پیاده‌سازی توضیح SHAP ارائه شده است که مقدار SHAP را در نمودار میله‌ای در ذخیره‌سازی مصنوعات سرور ردیابی MLflow ثبت می‌کند. توضیح‌دهنده SHAP می‌تواند به عنوان یک مدل پایتون MLflow ثبت شود و سپس به عنوان Spark UDF برای توضیح دسته‌ای یا به عنوان یک وب سرویس برای EaaS آنلاین بارگذاری شود. این حداکثر انعطاف‌پذیری را در چارچوب یکپارچه MLflow برای پیاده‌سازی توضیح‌پذیری فراهم می‌کند.

سرفصل‌های کتاب Practical Deep Learning at Scale with MLflow:

• Foreword
• Contributors
• About the author
• About the reviewers
• Preface
• Section 1 – Deep Learning Challenges and MLflow Prime
  • Chapter 1: Deep Learning Life Cycle and MLOps Challenges
  • Chapter 2: Getting Started with MLflow for Deep Learning
• Section 2 – Tracking a Deep Learning Pipeline at Scale
  • Chapter 3: Tracking Models, Parameters, and Metrics
  • Chapter 4: Tracking Code and Data Versioning
• Section 3 – Running Deep Learning Pipelines at Scale
  • Chapter 5: Running DL Pipelines in Different Environments
  • Chapter 6: Running Hyperparameter Tuning at Scale
• Section 4 – Deploying a Deep Learning Pipeline at Scale
  • Chapter 7: Multi-Step Deep Learning Inference Pipeline
  • Chapter 8: Deploying a DL Inference Pipeline at Scale
• Section 5 – Deep Learning Model Explainability at Scale
  • Chapter 9: Fundamentals of Deep Learning Explainability
  • Chapter 10: Implementing DL Explainability with MLflow
• Other Books You May Enjoy

جهت دانلود کتاب Practical Deep Learning at Scale with MLflow می‌توانید پس از پرداخت، دریافت کنید.