Aller au contenu principal

PyTorch : entraînement, autograd et mise en production

Développement de modèles profonds avec PyTorch, du tenseur brut au modèle exporté et servi.

Durée du cours : 9h​

Ce que vous allez apprendre​

  • Manipuler des tenseurs PyTorch et échanger des données avec NumPy sans erreur silencieuse
  • Comprendre l'autograd et son graphe dynamique reconstruit à chaque itération
  • Structurer un modèle en couches réutilisables avec nn.Module
  • Alimenter l'entraînement avec Dataset et DataLoader sans fuite entre entraînement et validation
  • Écrire à la main la boucle d'entraînement : passe avant, rétropropagation, mise à jour
  • Choisir un optimiseur et un planificateur de taux d'apprentissage adaptés à votre cas
  • Exploiter le GPU et la précision mixte pour accélérer l'entraînement sans altérer la qualité
  • Sauver et reprendre un entraînement à l'octet près après interruption
  • Appliquer l'apprentissage par transfert avec les modèles préentraînés de torchvision
  • Exporter votre modèle en TorchScript ou ONNX et le servir sans dépendre du code Python

Prérequis​

  • Python et NumPy (cours 02)
  • Fondamentaux du deep learning (cours 07)

Fil rouge du cours​

Un classificateur d'images sur Fashion-MNIST — dix classes de vêtements en 28 par 28 pixels — traverse les dix modules. Vous démarrez avec des tenseurs bruts, structurez un nn.Module, alimentez la boucle par un DataLoader, passez au GPU en précision mixte, reprenez après interruption, remplacez ensuite le petit modèle par un ResNet18 préentraîné, et finissez en exportant l'artefact au format TorchScript puis ONNX. C'est le même problème du début à la fin, ce qui rend visible l'apport de chaque technique introduite.

Modules du cours​

  1. Tenseurs PyTorch et interopérabilité avec NumPy
  2. Autograd : graphe dynamique et calcul du gradient
  3. nn.Module : structurer un modèle en couches réutilisables
  4. Dataset et DataLoader : alimenter l'entraînement
  5. La boucle d'entraînement : passe avant, rétropropagation, mise à jour
  6. Optimiseurs et planificateurs de taux d'apprentissage
  7. GPU et précision mixte
  8. Points de contrôle et reprise d'entraînement
  9. Apprentissage par transfert avec torchvision : ResNet18 préentraîné
  10. TorchScript, ONNX et mise en service

Évaluation et attestation​

Le parcours se termine par un examen de 40 questions qui couvre les dix modules. En cas de réussite, une attestation d'achèvement est délivrée immédiatement ; son numéro est vérifiable sur la plateforme.

Les cours gratuits, eux, se concluent par un quiz de 5 questions avec un aperçu de l'attestation, sans certification.