آموزش LLaMa برای توسعه دهندگان

LLaMa for Developers

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: در این دوره آموزشی، یاد بگیرید که چگونه مدل‌های AI منبع باز را با یکی از رایج‌ترین مدل‌های منبع باز، LLaMa (متا هوش مصنوعی مدل زبان بزرگ) سفارشی کنید. مدرس دنیس لینکوف یک رویکرد عملی برای کار با LLaMa را به اشتراک می‌گذارد که معماری LLaMa، راه‌اندازی، استقرار و مدل‌های آموزشی را توضیح می‌دهد. او از مجموعه‌ای از نوت‌بوک‌های پایتون استفاده می‌کند تا به شما نشان دهد چگونه LLaMa را با موارد استفاده خود تطبیق دهید و آن را در یک محیط سازمانی یا راه‌اندازی به کار بگیرید.

سرفصل ها و درس ها

معرفی Introduction

  • توسعه مدل های هوش مصنوعی با استفاده از LLaMA Developing AI models using LLaMA

1. مقدمه ای بر LLaMA 1. Introduction to LLaMA

  • استفاده از LLaMA به صورت آنلاین Using LLaMA online

  • اجرای LLaMA در یک نوت بوک Running LLaMA in a notebook

  • دسترسی به LLaMA در محیط سازمانی Accessing LLaMA in an enterprise environment

2. معماری LLaMA 2. LLaMA Architecture

  • پنجره زمینه LLaMA The LLaMA context window

  • توکنایزر LLaMA The LLaMA tokenizer

  • معماری LLaMA The LLaMA architecture

  • تفاوت بین LLaMA 1 و 2 Differences between LLaMA 1 and 2

3. تنظیم دقیق LLaMA 3. Fine-Tuning LLaMA

  • تنظیم دقیق LLaMA و انجماد لایه ها Fine-tuning LLaMA and freezing layers

  • تنظیم دقیق LLaMA با چند مثال Fine-tuning LLaMA with a few examples

  • تنظیم دقیق مدل های بزرگتر LLaMA Fine-tuning larger LLaMA models

  • تنظیم دقیق با LLaMA با استفاده از LoRa Fine-tuning with LLaMA using LoRa

  • یادگیری تقویتی با RLHF و DPO Reinforcement learning with RLHF and DPO

4. خدمت به LLaMA 4. Serving LLaMA

  • استفاده از فروشنده برای ارائه LLaMA Using a vendor for serving LLaMA

  • منابع مورد نیاز برای خدمت به LLaMA Resources required to serve LLaMA

  • استفاده از TGI برای ارائه LLaMA Using TGI for serving LLaMA

  • استفاده از VLLM برای ارائه LLaMA Using VLLM for serving LLaMA

  • کوانتیزاسیون LLaMA Quantizing LLaMA

  • توضیح LoRA و SLoRA Explaining LoRA and SLoRA

  • استفاده از DeepSpeed ​​برای ارائه LLaMA Using DeepSpeed for serving LLaMA

5. تحریک LLaMA 5. Prompting LLaMA

  • راه حل: تولید برچسب محصول Solution: Generating product tags

  • بهینه سازی درخواست های LLaMA با DSPy Optimizing LLaMA prompts with DSPy

  • آموزش چند شات با LLaMA Few shot learning with LLaMA

  • زنجیره فکر با LLaMA Chain of thought with LLaMA

  • چالش: ایجاد برچسب محصول Challenge: Generating product tags

  • استفاده از طرحواره ها با LLaMA Using schemas with LLaMA

  • تفاوت بین LLaMA با LLM های تجاری Difference between LLaMA with commercial LLMs

نتیجه Conclusion

  • به سفر توسعه مدل LlaMA AI خود ادامه دهید Continue your LlaMA AI model development journey

نمایش نظرات

آموزش LLaMa برای توسعه دهندگان
جزییات دوره
1h 35m
28
Linkedin (لینکدین) Linkedin (لینکدین)
(آخرین آپدیت)
83
- از 5
ندارد
دارد
دارد
Denys Linkov
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Denys Linkov Denys Linkov

رهبری ML در Voiceflow

دنیس لینکوف پیشرو ML در Voiceflow است.

تیم Denys روی درک زبان طبیعی، پردازش زبان طبیعی مولد، MLOps و مکالمه کار می کند کشف و افزایش داده ها Denys به ایجاد جوامع فناوری پر رونق و پایدار با تمرکز بر توسعه جوانان و آینده کار کمک می کند. دنیس دارای لیسانس علوم کامپیوتر از دانشگاه تورنتو است، با تعدادی از گروه های جوانان به عنوان مربی و سخنران کار کرده است، و به مقیاس TU20، یک گروه فناوری جوانان پیشرو در هالتون، انتاریو کمک کرده است.