Buckets:

|
download
raw
4.52 kB

کوک کردن، تمام![[fine-tuning-check]]

این بخش جامع بود! در دو فصل اول درباره‌ی مدل‌ها و توکِنایزرها یاد گرفتید و حالا می‌دانید چگونه با استفاده از بهترین روش‌های امروزی، آن‌ها را برای داده‌های خود کوک کنید. برای یادآوری، در این فصل:

  • درباره‌ی دیتاست‌های موجود در هاب و تکنیک‌های مدرن پردازش داده یاد گرفتید
  • یاد گرفتید چگونه دیتاست‌ها را به‌طور کارآمد بارگذاری و پیش‌پردازش کنید؛ از جمله با استفاده از هم‌طول‌سازی پویا و ترکیب‌کننده‌های داده
  • با استفاده از API سطح‌بالای Trainer و جدیدترین قابلیت‌ها، کوک کردن و ارزیابی را پیاده‌سازی کردید
  • یک حلقه‌ی تعلیم سفارشی کامل را با پایتورچ و از صفر پیاده‌سازی کردید
  • از 🤗 Accelerate استفاده کردید تا کد تعلیم شما به‌صورت یکپارچه روی چندین GPU یا TPU کار کند
  • تکنیک‌های مدرن بهینه‌سازی مانند تعلیم با دقت ترکیبی و انباشت گرادیان را به کار بردید

🎉 تبریک می‌گوییم! شما اصول کوک کردن مدل‌های ترنسفورمر را یاد گرفته‌اید. حالا آماده‌اید سراغ پروژه‌های واقعی یادگیری ماشین بروید!

📖 یادگیری را ادامه دهید: برای عمیق‌تر کردن دانش خود، این منابع را بررسی کنید:

🚀 گام‌های بعدی:

  • با استفاده از تکنیک‌هایی که یاد گرفته‌اید، مدل را روی دیتاست خود کوک کنید
  • معماری‌های مختلف مدل موجود در هاب هاگینگ‌فِیس را امتحان کنید
  • برای به‌اشتراک‌گذاری پروژه‌ها و دریافت کمک، به جامعه‌ی هاگینگ‌فِیس بپیوندید

این فقط آغاز مسیر شما با 🤗 Transformers است. در فصل بعد بررسی می‌کنیم چگونه مدل‌ها و توکِنایزرهای خود را با جامعه به اشتراک بگذارید و به اکوسیستم رو‌به‌رشد مدل‌های از پیش تعلیم دیده کمک کنید.

مهارت‌هایی که در اینجا به دست آورده‌اید — پیش‌پردازش داده، پیکربندی تعلیم، ارزیابی و بهینه‌سازی — برای هر پروژه‌ی یادگیری ماشین بنیادی هستند. چه روی دسته‌بندی متن، تشخیص موجودیت‌های نام‌دار، پاسخ به پرسش یا هر مسئله‌ی NLP دیگری کار کنید، این تکنیک‌ها برایتان مفید خواهند بود.

💡 نکات حرفه‌ای برای موفقیت:

  • پیش از پیاده‌سازی حلقه‌های تعلیم سفارشی، همیشه با استفاده از API Trainer و یک خط پایه‌ی قوی شروع کنید
  • برای داشتن نقطه‌ی شروع بهتر، از 🤗 Hub برای یافتن مدل‌های از پیش تعلیم دیده‌ای که به مسئله‌ی شما نزدیک هستند استفاده کنید
  • تعلیم خود را با معیارهای ارزیابی مناسب پایش کنید و ذخیره کردن نقطه‌های تعلیم را فراموش نکنید
  • از جامعه بهره بگیرید — مدل‌ها و دیتاست‌های خود را به اشتراک بگذارید تا به دیگران کمک کنید و درباره‌ی کارتان بازخورد بگیرید

Xet Storage Details

Size:
4.52 kB
·
Xet hash:
4a9b604258a823e0c29450aa352bfdded9cacb4f0983703dc00e74017a144c15

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.