Buckets:

|
download
raw
4.52 kB
# کوک کردن، تمام![[fine-tuning-check]]
<CourseFloatingBanner
chapter={3}
classNames="absolute z-10 right-0 top-0"
/>
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](https://huggingface.co/datasets) 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
> [!TIP]
> 🎉 **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:
> - [راهنماهای مسئله‌ی 🤗 Transformers](https://huggingface.co/docs/transformers/main/en/tasks/sequence_classification) برای مسائل خاص NLP
> - [نمونه‌های 🤗 Transformers](https://huggingface.co/docs/transformers/main/en/notebooks) برای نوت‌بوک‌های جامع
>
> 🚀 **گام‌های بعدی**:
> - با استفاده از تکنیک‌هایی که یاد گرفته‌اید، مدل را روی دیتاست خود کوک کنید
> - معماری‌های مختلف مدل موجود در [هاب هاگینگ‌فِیس](https://huggingface.co/models) را امتحان کنید
> - برای به‌اشتراک‌گذاری پروژه‌ها و دریافت کمک، به [جامعه‌ی هاگینگ‌فِیس](https://discuss.huggingface.co/) 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.
> [!TIP]
> 💡 **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.