Schița de curs

Introducere la QLoRA și cuantificare

  • Panoramă a cuantificării și rolul său în optimizarea modelelor
  • Introducere în cadrul QLoRA și beneficiile sale
  • Diferențele principale între QLoRA și metodele tradiționale de finetuning

Fundamentele modelelor lingvistice mari (LLMs)

  • Introducere în LLMs și arhitectura lor
  • Provocările fine-tuning-ului la scară largă a modelelor mari
  • Cum ajută cuantificarea la depășirea constrângerilor computaționale în finetuning-ul LLMs

Implementarea QLoRA pentru finetuning LLMs

  • Setarea cadrului QLoRA și a mediului de lucru
  • Pregătirea seturilor de date pentru finetuning cu QLoRA
  • Ghid pas-cu-pas pentru implementarea QLoRA pe LLMs folosind Python și PyTorch/TensorFlow

Optimizarea performanței fine-tuning-ului cu QLoRA

  • Cum să echilibrați acuratețea modelului și performanța prin cuantificare
  • Tehnici pentru reducerea costurilor de calcul și utilizării memoriei în timpul finetuning-ului
  • Strategii pentru finetuning cu resurse hardware minime

Evaluarea modelelor fine-tunite

  • Cum să evaluați eficacitatea modelelor fine-tunite
  • Metrii de evaluare comune pentru modele lingvistice
  • Optimizarea performanței modelului după finetuning și rezolvarea problemelor

Implementarea și scalarea modelelor fine-tunite

  • Cum să implementați LLMs cuantificate în medii de producție
  • Scalarea implementării pentru a gestiona cereri în timp real
  • Ferramentare și cadre pentru implementarea și monitorizarea modelelor

Cazuri practice și studii de caz din lumea reală

  • Studiu de caz: Finetuning LLMs pentru sprijin client și sarcini NLP
  • Exemple de finetuning LLMs în diverse industrii precum sănătatea, financiară și e-commerce
  • Lecții învățate din implementările din lumea reală ale modelelor bazate pe QLoRA

Rezumat și următorii pași

Cerințe

  • O înțelegere a fundamentelor învățării automatice și rețelelor neuronale
  • Experiență cu îmbunătățirea modelului și transferul de învățare
  • Familiarizarea cu modelele lingvistice mari (LLMs) și cadrele de învățare profundă (de exemplu, PyTorch, TensorFlow)

Audiență

  • Ingineri de învățare automată
  • Dezvoltatori AI
  • Cercetători în date
 14 ore

Numărul de participanți


Pret per participant

Cursuri viitoare

Categorii înrudite