'pytorch' 검색 결과

PyTorch deep learning development with transformers, diffusion models, and GPU optimization.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Simplest distributed training API. 4 lines to add distributed support to any PyTorch script. Unified API for DeepSpeed/FSDP/Megatron/DDP. Automatic device placement, mixed precision (FP16/BF16/FP8). Interactive config, single launch command. HuggingFace ecosystem standard.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Scalable data processing for ML workloads. Streaming execution across CPU/GPU, supports Parquet/CSV/JSON/images. Integrates with Ray Train, PyTorch, TensorFlow. Scales from single machine to 100s of nodes. Use for batch inference, data preprocessing, multi-modal data loading, or distributed ETL pipelines.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Patterns for loading PDE simulation datasets (PDEBench, PhiFlow, JAX-CFD) from HDF5 files. Handles layout detection (single tensor vs separate variables), spatial/temporal downsampling, multi-variable systems, HuggingFace and DaRUS data sources, and efficient PyTorch DataLoader creation. Use when preparing PDE data for neural operator training.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Expert guidance for Fully Sharded Data Parallel training with PyTorch FSDP - parameter sharding, mixed precision, CPU offloading, FSDP2

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

High-level PyTorch framework with Trainer class, automatic distributed training (DDP/FSDP/DeepSpeed), callbacks system, and minimal boilerplate. Scales from laptop to supercomputer with same code. Use when you want clean training loops with built-in best practices.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

AI基础设施实战——从GPU集群调度到模型推理部署的全栈实操指南。覆盖：昇腾/GPU统一调度、PyTorch分布式训练、vLLM推理部署、模型量化实战、LLMOps、GPU故障诊断、HuggingFace生态、MLOps流水线。触发词：AI基础设施、GPU、昇腾、训练、推理、vLLM、PyTorch分布式、模型部署、LLMOps、MLOps、集群调度、HuggingFace

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Optimizes transformer attention with Flash Attention for 2-4x speedup and 10-20x memory reduction. Use when training/running transformers with long sequences (>512 tokens), encountering GPU memory issues with attention, or need faster inference. Supports PyTorch native SDPA, flash-attn library, H100 FP8, and sliding window attention.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

Simplest distributed training API. 4 lines to add distributed support to any PyTorch script. Unified API for DeepSpeed/FSDP/Megatron/DDP. Automatic device placement, mixed precision (FP16/BF16/FP8). Interactive config, single launch command. HuggingFace ecosystem standard.

한국어 요약은 준비 중입니다. 원문 설명을 표시하고 있습니다.

기계 학습이 없는 기존 앱에 추천, 분류, 예측 기능을 추가하는 절차를 정리합니다. 문제와 데이터 확인부터 초기 모델의 학습, 평가, 통합까지 돕습니다.

• 기존 앱에 추천 기능 추가
• 학습 데이터 준비 상태 확인
• 대체 규칙을 갖춘 예측 기능 통합

SAM으로 이미지 속 대상을 점이나 사각형으로 지정해 오려낼 영역을 추출합니다. 자동 마스크 생성, 경계 수정, 학습 데이터 준비와 브라우저 및 장치 배포 절차를 안내합니다.

• 대상을 투명 배경 이미지로 추출합니다
• 이미지 영역 지정 도구를 만듭니다
• 이미지 인식용 학습 데이터를 준비합니다

선호 답변과 비선호 답변 쌍으로 별도 참조 모델 없이 대규모 언어 모델을 추가 학습합니다. 모델별 설정과 학습 불안정, 메모리 부족에 대한 대응을 안내합니다.

• 답변 선호도 데이터로 모델을 학습합니다
• 지시 응답 모델을 추가 조정합니다
• 수학과 코드용 학습 설정을 조정합니다

Lambda Labs에서 GPU 서버를 시작하고 머신러닝 학습과 추론을 실행하는 절차를 안내합니다. SSH 연결, 영구 저장소, Python API 조작과 여러 GPU를 활용한 분산 학습도 다룹니다.

• 장시간 학습에 사용할 전용 GPU 환경 준비
• 여러 GPU로 대규모 언어 모델 추가 학습
• 데이터셋과 학습 체크포인트 유지

Train and run Uni-Mol Tools models to predict molecular properties from CSV data. Organize experiments into projects, compare model performance, rank results, and manage storage through interactive commands or machine-readable JSON output.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Train molecular property models from CSV data
• Predict properties with a trained model
• Organize experiments and compare model performance

Build and evaluate single-agent reinforcement learning experiments, where an agent learns actions from rewards. Use Stable Baselines3 to choose algorithms, create environments, monitor training, and save models with the normalization data needed for consistent evaluation.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Set up a reproducible reinforcement learning experiment
• Create and validate a custom Gymnasium environment
• Monitor training and save checkpoints

Forecast sales and other time series with Google’s TimesFM without task-specific training. Prepare regularly spaced CSV data, export predicted values and uncertainty ranges, add explanatory variables, and evaluate forecasts against held-out observations.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Forecast monthly sales or revenue from CSV data
• Export predicted values with uncertainty ranges
• Forecast with additional explanatory variables

Predict spatial gene expression from H&E-stained tissue images using DeepSpot-M. Query a released panel of about 19,000 genes and combine predictions from small image tiles into slide-wide maps for research analysis.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Mapping predicted marker-gene expression across a tumor section
• Predicting expression across slides without matching gene-expression assays
• Adding predicted expression to a histology image analysis pipeline

Search AI and machine learning jobs through AI Dev Jobs MCP, a connection agents use to access job data. Inspect employers and requirements, match roles to skills and preferences, and review available salary and market statistics.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Finding remote machine learning jobs
• Discovering companies hiring for AI roles
• Matching jobs to skills and work preferences

Investigate CUDA crashes in SGLang using logs and inputs saved before execution. Inspect tensor shapes, data types, and numerical anomalies, with guidance for separate process logs and additional CUDA debugging tools.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Investigating illegal memory access and device-side assertions
• Tracing NaN or Inf values through kernel calls
• Saving inputs before a CUDA crash

Apply consistent names to SGLang speculative decoding code, which verifies draft tokens to generate text. Distinguish tokens with or without the bonus token, counts, counters, and arrays when adding identifiers, renaming code, or reviewing changes.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Naming variables in speculative decoding code
• Renaming identifiers to match their meaning
• Reviewing metric and counter names

Train language models with SimPO using pairs of preferred and rejected answers. Configure preference training without a separate reference model, adapt settings for base or instruction models, and address unstable training, memory limits, or lost capabilities.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Training a base model with preferred and rejected answers
• Further tuning an instruction model with preference data
• Adjusting training settings for math and code tasks

Reduce GPU memory use by loading language models in 8-bit or 4-bit formats with bitsandbytes and HuggingFace Transformers. Includes configuration examples, QLoRA fine-tuning of compressed models, and optimizers that reduce memory needed during training.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Load larger models within limited GPU memory
• Compare 8-bit and 4-bit model settings
• Fine-tune a model with QLoRA

Configure LLM inference and serving on NVIDIA GPUs with TensorRT-LLM. Covers quantization, which reduces numerical precision, batching requests during generation, and distributing models across GPUs to improve processing capacity and response times.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Setting up an LLM server on NVIDIA GPUs
• Configuring FP8 or INT4 quantization
• Distributing large models across multiple GPUs

Generate music and sound effects from written descriptions with AudioCraft. Covers MusicGen and AudioGen, using reference melodies or musical styles, producing stereo audio, adjusting generation settings, and saving generated sounds as audio files.

한국어 요약은 준비 중입니다. 영어 요약을 표시하고 있습니다.

• Generate music from a written description
• Create sound effects and environmental audio
• Generate music using a reference melody or style