Du

Zobacz także:

• Sztuczna inteligencja w Azure. Kurs video. Uczenie maszynowe i Azure Machine Learning Service 190,00 zł, (39,90 zł -79%)
• Sztuczna inteligencja w Azure. Kurs video. Us 190,00 zł, (39,90 zł -79%)
• React z AI. Kurs video. Programowanie wspomagane sztuczn 117,35 zł, (39,90 zł -66%)
• Tworzenie aplikacji AI z LlamaIndex. Praktyczny przewodnik po RAG i LLM 89,00 zł, (44,50 zł -50%)
• Zaawansowane techniki przetwarzania j 89,00 zł, (44,50 zł -50%)

Spis treści

Stwórz własne AI. Jak od podstaw zbudować duży model językowy eBook -- spis treści

Przedmowa

Podziękowania

O tej książce

O autorze

1. Czym są duże modele językowe?

• 1.1. Czym jest model LLM?
• 1.2. Zastosowania modeli LLM
• 1.3. Etapy tworzenia modeli LLM i korzystania z nich
• 1.4. Wprowadzenie do architektury transformerów
• 1.5. Wykorzystanie dużych zbiorów danych
• 1.6. Szczegóły architektury modeli GPT
• 1.7. Tworzenie dużego modelu językowego
• Podsumowanie

2. Praca z danymi tekstowymi

• 2.1. Czym są osadzenia słów?
• 2.2. Tokenizacja tekstu
• 2.3. Konwersja tokenów na identyfikatory
• 2.4. Dodawanie specjalnych tokenów kontekstowych
• 2.5. Kodowanie par bajtów
• 2.6. Próbkowanie danych z oknem przesuwnym
• 2.7. Tworzenie osadzeń tokenów
• 2.8. Kodowanie pozycji słów
• Podsumowanie

3. Kodowanie mechanizmów uwagi

• 3.1. Problem z modelowaniem długich sekwencji
• 3.2. Przechwytywanie zależności między danymi za pomocą mechanizmów uwagi
• 3.3. Zwracanie uwagi na różne części danych wejściowych przez mechanizm samouwagi
  • 3.3.1. Prosty mechanizm samouwagi bez trenowalnych wag
  • 3.3.2. Obliczanie wag uwagi dla wszystkich tokenów wejściowych
• 3.4. Implementacja mechanizmu samouwagi z trenowalnymi wagami
  • 3.4.1. Obliczanie wag uwagi krok po kroku
  • 3.4.2. Implementacja kompaktowej klasy samouwagi w Pythonie
• 3.5. Ukrywanie przyszłych słów dzięki zastosowaniu uwagi przyczynowej
  • 3.5.1. Wykorzystanie maski uwagi przyczynowej
  • 3.5.2. Maskowanie dodatkowych wag uwagi z użyciem dropoutu
  • 3.5.3. Implementacja zwięzłej klasy przyczynowej uwagi
• 3.6. Rozszerzenie uwagi jednogłowicowej na wielogłowicową
  • 3.6.1. Utworzenie stosu wielu jednogłowicowych warstw uwagi
  • 3.6.2. Implementacja uwagi wielogłowicowej z podziałem wag
• Podsumowanie

4. Implementacja od podstaw modelu GPT do generowania tekstu

• 4.1. Kodowanie architektury LLM
• 4.2. Normalizacja warstwowa aktywacji
• 4.3. Implementacja sieci ze sprzężeniem w przód z aktywacjami GELU
• 4.4. Dodawanie połączeń skrótowych
• 4.5. Łączenie warstw uwagi i warstw liniowych w bloku transformera
• 4.6. Kodowanie modelu GPT
• 4.7. Generowanie tekstu
• Podsumowanie

5. Wstępne szkolenie na nieoznakowanych danych

• 5.1. Ocena generatywnych modeli tekstowych
  • 5.1.1. Używanie modelu GPT do generowania tekstu
  • 5.1.2. Obliczanie strat związanych z generowaniem tekstu
  • 5.1.3. Obliczanie strat w zestawie szkoleniowym i walidacyjnym
• 5.2. Szkolenie modelu LLM
• 5.3. Strategie dekodowania w celu zarządzania losowością
  • 5.3.1. Skalowanie temperaturą
  • 5.3.2. Próbkowanie top-k
  • 5.3.3. Modyfikacja funkcji generowania tekstu
• 5.4. Wczytywanie i zapisywanie wag modeli z użyciem frameworka PyTorch
• 5.5. Ładowanie wstępnie przeszkolonych wag z modelu OpenAI
• Podsumowanie

6. Dostrajanie modelu LLM do zadań klasyfikacji

• 6.1. Różne kategorie dostrajania
• 6.2. Przygotowanie zbioru danych
• 6.3. Tworzenie mechanizmów ładujących dane
• 6.4. Inicjalizacja modelu z użyciem wag wstępnie przeszkolonego modelu
• 6.5. Dodawanie nagłówka klasyfikacji
• 6.6. Obliczanie straty i dokładności klasyfikacji
• 6.7. Dostrajanie modelu na danych nadzorowanych
• 6.8. Wykorzystanie modelu LLM jako klasyfikatora spamu
• Podsumowanie

7. Dostrajanie modelu LLM do zadań wykonywania instrukcji

• 7.1. Wprowadzenie do dostrajania do wykonywania instrukcji
• 7.2. Przygotowanie zbioru danych do nadzorowanego dostrajania pod kątem wykonywania instrukcji
• 7.3. Organizowanie danych w partie szkoleniowe
• 7.4. Tworzenie mechanizmów ładujących dane dla zbioru danych instrukcji
• 7.5. Ładowanie wstępnie przeszkolonego modelu LLM
• 7.6. Dostrajanie modeli LLM do zadań wykonywania instrukcji
• 7.7. Wyodrębnianie i zapisywanie odpowiedzi
• 7.8. Ocena dostrojonego modelu LLM
• 7.9. Wnioski
  • 7.9.1. Co dalej?
  • 7.9.2. Bądź na bieżąco w szybko zmieniającej się dziedzinie
  • 7.9.3. Na koniec
• Podsumowanie

Dodatek A Wprowadzenie w tematykę frameworka PyTorch

Dodatek B Bibliografia i lektura uzupełniająca

Dodatek C Rozwiązania ćwiczeń

Dodatek D Usprawnianie pętli szkoleniowej

Dodatek E Skuteczne dostrajanie parametrów za pomocą LoRA