感謝您提交詢問！我們的一位團隊成員將在短時間內與您聯繫。
感謝您提交預訂！我們的一位團隊成員將在短時間內與您聯繫。
課程時長 14 時間：
課程簡介
介紹
- 什麼是 Large Language Models (LLMs)？
- LLM 與傳統 NLP 模型
- LLM 功能和架構概述
- LLM 的挑戰和局限性
瞭解 LLM
- LLM的生命週期
- LLM 的工作原理
- LLM 的主要元件：編碼器、解碼器、注意力、嵌入等。
開始
- 設置開發環境
- 將 LLM 安裝為開發工具，例如 Google Colab， Hugging Face
使用 LLM
- 探索可用的 LLM 選項
- 創建和使用 LLM
- 在自訂數據集上微調 LLM
文本摘要
- 瞭解文本摘要的任務及其應用
- 使用 LLM 進行抽取式和抽象式文本摘要
- 使用 ROUGE、BLEU 等指標評估生成的摘要的品質。
問答
- 瞭解問答的任務及其應用
- 使用 LLM 進行開放域和封閉域問答
- 使用 F1、EM 等指標評估生成答案的準確性。
文本生成
- 瞭解文本生成的任務及其應用
- 使用 LLM 產生條件和無條件文本
- 使用 temperature、top-k、top-p 等參數控制生成文本的樣式、語氣和內容。
將 LLM 與其他框架和平臺整合
- 將 LLM 與 PyTorch 或 TensorFlow 一起使用
- 將 LLM 與 Flask 或 Streamlit 一起使用
- 將 LLM 與 Google Cloud 或 AWS 結合使用
故障排除
- 瞭解 LLM 中的常見錯誤和錯誤
- 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 數據集載入和預處理數據
總結和後續步驟
最低要求
- 瞭解自然語言處理和深度學習
- 使用 Python 和 PyTorch 或 TensorFlow 的經驗
- 基本程式設計經驗
觀眾
- 開發人員
- NLP愛好者
- 數據科學家
