Documentación / ML Studio
Deep learning y GPU
Diseña redes neuronales capa a capa, entrena tokenizers, diagnostica tu GPU, estima recursos, usa DDP con varias GPU y máquinas remotas.
En esta página
Para la mayoría de los problemas tabulares no necesitas GPU: entrenan en segundos o minutos en una CPU normal. Esta página es para cuando el modelo crece: redes neuronales, visión, audio, texto y modelos de lenguaje.
Diseñador de arquitectura
El Diseñador de arquitectura compone redes neuronales sin escribir el bucle de entrenamiento. El taller («Taller · nombre») muestra las Capas de la red; pulsa Añadir capa para sumar una y ajusta la Tasa de aprendizaje y el Tamaño de lote.
| Familia | Para qué sirve |
|---|---|
| MLP | Datos tabulares y problemas pequeños. |
| CNN | Imágenes y señales con estructura local. |
| RNN, LSTM, GRU | Secuencias y series temporales. |
| VAE | Representaciones comprimidas y generación. |
| GAN | Generación con un generador y un discriminador. |
| Difusión | Generación por eliminación de ruido. |
| ViT | Imágenes con atención (transformer de visión). |
| Transformer encoder / decoder | Texto y secuencias largas. |
El diseño se guarda en architecture/architecture.yaml, versionado con el proyecto. Por ejemplo, una CNN pequeña
para imágenes de 32×32:
# architecture/architecture.yaml
kind: cnn
inputs: { shape: [3, 32, 32] }
outputs: { classes: 10 }
components:
- { id: c1, type: conv2d, filters: 32, pool: max2 }
- { id: c2, type: conv2d, filters: 64, pool: max2 }
- { id: flat, type: flatten }
- { id: h1, type: dense, units: 128, dropout: 0.2 }
- { id: out, type: head, kind: classification }Además de redes generales, ML Studio cubre imágenes (clasificación y detección), audio (clasificación y voz a texto), vídeo, grafos (GCN, GAT, GraphSAGE), refuerzo (DQN, PPO, REINFORCE), bandits y recomendadores (ALS, BPR).
Tokenizers
Para modelos de texto propios puedes entrenar un tokenizer con los textos del proyecto:
| Tipo | Nota |
|---|---|
bpe | Byte-pair encoding clásico. |
byte-bpe | BPE sobre bytes: nunca hay tokens desconocidos. |
wordpiece | El estilo de BERT. |
unigram | Modelo probabilístico de subpalabras. |
Validar mide la tasa de tokens desconocidos (unk), los tokens por palabra y el round-trip (que codificar y decodificar devuelva el mismo texto). Cada tokenizer se versiona con su sha256:
tokenizers/
└── soporte-es/
├── v1/ tokenizer.json sha256:…
└── v2/ tokenizer.json sha256:…Diagnóstico de GPU
Diagnóstico de GPU detecta qué aceleradores puede usar Python en tu equipo:
| Backend | Hardware |
|---|---|
| CUDA | GPU NVIDIA. |
| ROCm | GPU AMD (Linux). |
| DirectML | GPU en Windows (DirectX 12). |
| MPS | Apple Silicon (macOS). |
| Intel XPU | GPU Intel. |
Probar CPU vs GPU ejecuta una prueba corta y te dice, por ejemplo, «La GPU es ×8 más rápida que la CPU». Si la diferencia es pequeña para tu modelo, la CPU basta.
En Supervisión › Recursos ves CPU, RAM, GPU y disco libre en vivo. Permitir a los agentes entrenar (2 h) da permiso a los agentes para lanzar entrenamientos durante las próximas dos horas.
Recursos estimados
Antes de entrenar, el plan estima la memoria necesaria y el tiempo:
| Parte | Qué cuenta |
|---|---|
| Pesos | Los parámetros del modelo. |
| Gradientes | Uno por parámetro entrenable. |
| Optimizador | El estado de Adam y similares. |
| Activaciones | Lo que se guarda en cada paso para el retroceso; crece con el tamaño de lote. |
Al terminar compara lo estimado vs real. Si un trabajo no cabe, el plan te lo dice antes de empezar y sugiere opciones: lote más pequeño, menor precisión o QLoRA para modelos de lenguaje. Mientras espera, el trabajo queda en cola con «Espera VRAM: necesita X, hay Y».
Varias GPU: DDP
Con dos o más GPU CUDA en la misma máquina, Yuli puede entrenar en paralelo de datos con DDP (DistributedDataParallel): cada GPU procesa su parte de cada época y los gradientes se combinan.
# en la configuración del entrenamiento
training:
distributed:
mode: ddp
devices: auto # o un número de GPUSolo se admite DDP con 2 o más GPU CUDA. Si no es posible (una sola GPU, sin torch.distributed), el
entrenamiento sigue en un solo proceso y lo indica en las métricas. El paralelismo de tensores o de pipeline no está
disponible.
Máquinas remotas
Si tu equipo no alcanza, puedes entrenar en una máquina remota por SSH o en la nube. Antes de lanzar, Yuli muestra un aviso de egreso:
«Los datos salen a host: se suben el dataset y el código que el trabajo lee. Al terminar, Yuli trae el modelo, verifica cada archivo y borra los datos allí (salvo que la máquina los conserve).»
- Nada sale sin que lo confirmes.
- Puedes fijar un tope de gasto para las máquinas en la nube.
- En
yuli-ml.yaml,hardware.prefer: remoteindica que el proyecto prefiere entrenar fuera.