Buckets:
| # مقدمه[[introduction]] | |
| <CourseFloatingBanner | |
| chapter={7} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| در [فصل ۳](/course/chapter3) دیدید که چگونه یک مدل را برای دستهبندی متن کوک کنید. در این فصل به وظایف رایج زبانی زیر میپردازیم که برای کار با مدلهای سنتی NLP و LLMهای مدرن ضروریاند: | |
| - دستهبندی توکِن | |
| - مدلسازی زبان ماسکشده (مانند BERT) | |
| - خلاصهسازی | |
| - ترجمه | |
| - پیشتعلیم مدلسازی زبان علّی (مانند GPT-2) | |
| - پاسخگویی به پرسش | |
| این وظایف بنیادی پایهی نحوهی کار مدلهای زبان بزرگ (LLMها) را تشکیل میدهند و درک آنها برای کار مؤثر با پیشرفتهترین مدلهای زبانی امروز ضروری است. | |
| {#if fw === 'pt'} | |
| برای این کار، باید از همهی آموختههای خود دربارهی API `Trainer` و کتابخانهی 🤗 Accelerate در [فصل ۳](/course/chapter3)، کتابخانهی 🤗 Datasets در [فصل ۵](/course/chapter5) و کتابخانهی 🤗 Tokenizers در [فصل ۶](/course/chapter6) استفاده کنید. همچنین نتایجمان را مانند [فصل ۴](/course/chapter4) در هاب مدلها بارگذاری میکنیم؛ پس این همان فصلی است که همهچیز در آن به هم میرسد! | |
| هر بخش را میتوان مستقل خواند و در آن خواهید دید چگونه با API `Trainer` یا حلقهی تعلیم خودتان و با استفاده از 🤗 Accelerate مدل تعلیم دهید. میتوانید هر بخش را که علاقهای به آن ندارید رد کنید و روی بخش دیگر تمرکز کنید: API `Trainer` برای کوک کردن یا تعلیم مدل بدون نگرانی دربارهی اتفاقهای پشت صحنه عالی است، در حالی که حلقهی تعلیم با `Accelerate` اجازه میدهد هر بخش دلخواه را آسانتر سفارشی کنید. | |
| {:else} | |
| برای این کار، باید از همهی آموختههای خود دربارهی تعلیم مدلها با API کِراس در [فصل ۳](/course/chapter3)، کتابخانهی 🤗 Datasets در [فصل ۵](/course/chapter5) و کتابخانهی 🤗 Tokenizers در [فصل ۶](/course/chapter6) استفاده کنید. همچنین نتایجمان را مانند [فصل ۴](/course/chapter4) در هاب مدلها بارگذاری میکنیم؛ پس این همان فصلی است که همهچیز در آن به هم میرسد! | |
| هر بخش را میتوان مستقل خواند. | |
| {/if} | |
| > [!TIP] | |
| > اگر بخشها را بهترتیب بخوانید، متوجه میشوید که مقدار قابلتوجهی کد و نثر مشترک دارند. این تکرار عمدی است تا بتوانید به هر وظیفهای که برایتان جالب است سر بزنید (یا بعداً به آن برگردید) و یک مثال کامل و قابلاجرا پیدا کنید. | |
Xet Storage Details
- Size:
- 3.34 kB
- Xet hash:
- 83f0dd90a25651f91ee3fcb6283203add6e9b231669d142efc4696b804beebbc
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.