聯繫我們

課程簡介

簡介

  • 什麼是大型語言模型 (LLMs)?
  • LLMs 與傳統 NLP 模型對比
  • LLMs 功能和架構概覽
  • LLMs 的挑戰和局限性

理解 LLMs

  • LLM 的生命週期
  • LLMs 的工作原理
  • LLM 的主要組件:編碼器、解碼器、注意力機制、嵌入等。

入門

  • 設置開發環境
  • 安裝 LLM 作為開發工具,例如 Google Colab、Hugging Face

使用 LLMs

  • 探索可用的 LLM 選項
  • 創建和使用 LLM
  • 在自定義數據集上微調 LLM

文本摘要

  • 理解文本摘要任務及其應用
  • 使用 LLM 進行抽取式和抽象式文本摘要
  • 使用 ROUGE、BLEU 等指標評估生成摘要的質量。

問答

  • 理解問答任務及其應用
  • 使用 LLM 進行開放域和封閉域的問答
  • 使用 F1、EM 等指標評估生成答案的準確性。

文本生成

  • 理解文本生成任務及其應用
  • 使用 LLM 進行條件性和非條件性文本生成
  • 使用溫度、top-k、top-p 等參數控制生成文本的風格、語調和內容。

將 LLMs 與其他框架和平台集成

  • 將 LLMs 與 PyTorch 或 TensorFlow 配合使用
  • 將 LLMs 與 Flask 或 Streamlit 配合使用
  • 將 LLMs 與 Google Cloud 或 AWS 配合使用

故障排除

  • 理解 LLMs 中的常見錯誤和 bug
  • 使用 TensorBoard 監控和可視化訓練過程
  • 使用 PyTorch Lightning 簡化訓練代碼並提高性能
  • 使用 Hugging Face Datasets 加載和預處理數據

總結和下一步

最低要求

  • 對自然語言處理和深度學習的理解
  • 使用 Python 和 PyTorch 或 TensorFlow 的經驗
  • 基本的編程經驗

受眾

  • 開發人員
  • NLP 愛好者
  • 數據科學家
 14 小時

人數


每位參與者的報價

即將到來的課程

課程分類