آموزش ترانسفورمرها و مدل‌های زبانی بزرگ (LLMs) - آخرین آپدیت

چرا ترانسفورمرها جایگزین شبکه‌های عصبی بازگشتی (RNNs) شدند Why Transformers Replaced Recurrent Neural Networks (RNNs)

• چرا ترانسفورمرها جایگزین شبکه‌های عصبی بازگشتی (RNNs) شدند Why Transformers Replaced Recurrent Neural Networks (RNNs)

• تمرکز انتخابی از طریق مکانیسم توجه در مدل‌های هوش مصنوعی Selective Focus via Attention in AI Models

• پیشرفت‌های مدل‌های ترانسفورمر و LLMها Breakthroughs with Transformer Models and LLMs

بررسی معماری داخلی ترانسفورمر Inside the Transformer Architecture

• چارچوب رمزگذار-رمزگشا (Encoder-Decoder) The Encoder-decoder Framework

• دمو: ترجمه با استفاده از رمزگذار-رمزگشا Demo: Encoder-decoder Translation

• خود-توجهی: ایجاد درک متنی Self-attention: Building Contextual Understanding

• دمو: خود-توجهی در عمل Demo: Self-attention In Action

• لایه‌های پیش‌خور (Feedforward) و رمزگذاری موقعیتی (Positional Encoding) Feedforward and Positional Encoding Layers

• دمو: رمزگذاری موقعیتی در عمل Demo: Positional Encoding in Action

• توجه چندسره: استخراج روابط متنوع Multi-head Attention: Capturing Diverse Relatonships

مکانیسم‌های خود-توجهی (Self-attention) The Mechanics of Self-attention

• نحوه محاسبه معنا توسط خود-توجهی How Self-attention Computes Meaning

• بردارهای کوئری (Query)، کلید (Key) و مقدار (Value) Query, Key, and Value Vectors

• وزن‌های توجه و جریان اطلاعات Attention Weights and Information Flow

• چرا Softmax و مقیاس‌بندی اهمیت دارند Why Softmax and Scaling Matter

• توجه در لایه‌های مختلف: نحوه تکامل معنا Attention across Layers: How Meaning Evolves

• ماسکینگ علی (Causal Masking) در رمزگشا Casual Masking in the Decoder

• دمو: بردارهای کوئری، کلید و مقدار Demo: Query, Key, and Value Vectors

• دمو: وزن‌های توجه و جریان‌های اطلاعات Demo: Attention Weights and Information Flows