Buckets:

|
download
raw
3.83 kB

تسلط بر مدل‌های زبانی بزرگ[[mastering-llms]]

اگر تا اینجا در دوره پیش آمده‌اید، تبریک می‌گوییم — اکنون همه‌ی دانش و ابزارهای لازم را برای حل تقریباً هر مسئله‌ی زبانی با ترنسفورمرهای 🤗 و زیست‌بوم هاگینگ‌فِیس در اختیار دارید!

از NLP تا مدل‌های زبانی بزرگ

در این دوره بسیاری از وظایف سنتی NLP را پوشش دادیم، اما مدل‌های زبانی بزرگ (LLMها) این حوزه را دگرگون کرده‌اند. این مدل‌ها امکان‌های پردازش زبان را به‌طور چشمگیری گسترش داده‌اند:

  • می‌توانند چندین وظیفه را بدون کوک کردن ویژه برای هر وظیفه انجام دهند.
  • در پیروی از دستورها و سازگار شدن با زمینه‌های مختلف عالی هستند.
  • می‌توانند برای کاربردهای گوناگون، نوشته‌ای منسجم و متناسب با زمینه تولید کنند.
  • با روش‌هایی مانند پرامپت‌نویسی زنجیره‌ی فکر می‌توانند استدلال کنند و مسائل پیچیده را حل کنند.

مهارت‌های بنیادی NLP که آموخته‌اید همچنان برای کار مؤثر با LLMها ضروری‌اند. درک توکِن‌سازی، معماری مدل‌ها، روش‌های کوک کردن و معیارهای ارزیابی، دانش لازم برای استفاده‌ی کامل از ظرفیت LLMها را در اختیار شما می‌گذارد.

با انواع جمع‌کننده‌های داده‌ی متفاوتی روبه‌رو شدیم؛ بنابراین این ویدئوی کوتاه را آماده کردیم تا به شما کمک کند برای هر وظیفه جمع‌کننده‌ی مناسب را پیدا کنید:

پس از این مرور سریع بر وظایف اصلی زبانی، باید بتوانید:

  • بدانید کدام معماری‌ها (اِنکودر، دیکودر یا اِنکودر-دیکودر) برای هر وظیفه مناسب‌ترند.
  • تفاوت پیش‌تعلیم و کوک کردن یک مدل زبانی را درک کنید.
  • بدانید چگونه مدل‌های ترنسفورمر را با API Trainer و قابلیت‌های تعلیم توزیع‌شده‌ی 🤗 Accelerate، یا با TensorFlow و کِراس، بسته به مسیری که دنبال کرده‌اید، تعلیم دهید.
  • معنا و محدودیت‌های معیارهایی مانند ROUGE و BLEU را برای وظایف تولید متن درک کنید.
  • بدانید چگونه هم با مدل‌های کوک‌شده‌ی خود روی هاب و هم با استفاده از pipeline در 🤗 Transformers کار کنید.
  • درک کنید LLMها چگونه بر پایه‌ی روش‌های سنتی NLP ساخته شده و آن‌ها را گسترش می‌دهند.

با وجود همه‌ی این دانش، زمانی فرا می‌رسد که یا با خطایی دشوار در کد خود روبه‌رو می‌شوید یا درباره‌ی حل مسئله‌ای مشخص در پردازش زبان پرسشی دارید. خوشبختانه جامعه‌ی هاگینگ‌فِیس برای کمک به شما آماده است! در فصل پایانی این بخش از دوره بررسی می‌کنیم چگونه مدل‌های ترنسفورمر خود را اشکال‌زدایی کنید و چگونه مؤثر کمک بخواهید.

Xet Storage Details

Size:
3.83 kB
·
Xet hash:
5cce9e67116237dff935359f9e3f21713c9b240b373c1a79b9ed806e86ee0fee

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