Buckets:
| # 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.