لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش شروع به کار با Hugging Face Transformers
- آخرین آپدیت
دانلود Getting Started with Hugging Face Transformers
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
در پایان این دوره، شما قادر خواهید بود:
•نقش مدلها، مجموعهدادهها (Datasets) و Spaces را در اکوسیستم HF توضیح دهید و از API خط لوله (Pipeline) برای اجرای استنتاج در وظایف متنی، بینایی و صوتی استفاده کنید.
•ورودیهای متنی را با استفاده از AutoTokenizer توکنبندی و کدگذاری کنید، پدینگ (Padding) و برش (Truncation) را مدیریت کرده و قالبهای چت را برای فرمتبندی سازگار با LLM اعمال کنید.
•مدلهای پیشآموزشدیده را با استفاده از کلاس AutoModel مناسب بارگذاری کنید، پیکربندی مدل را بررسی کنید، استنتاج دستی را اجرا کنید و مدلها را با دقت کاهشیافته و device_map="auto" بارگذاری نمایید.
•کارتهای مدل (Model Cards) را برای ارزیابی کاربرد مورد نظر، محدودیتها، افشای سوگیریها و سازگاری لایسنس قبل از پیشنهاد مدل برای استقرار ارزیابی کنید.
در چهار ساعت، از سطح صفر به ارزیابی مطمئن مدلها برسید. تمام آنچه نیاز دارید دانش پایه پایتون است؛ هیچ تجربه قبلی در یادگیری ماشین یا Hugging Face لازم نیست. این دوره با یک چالش واقعی شروع میشود: معاون شما تا پنجشنبه به یک ارزیابی امکانسنجی هوش مصنوعی نیاز دارد و هاب Hugging Face بیش از ۲ میلیون مدل برای انتخاب دارد. شما یک رویکرد سیستماتیک برای پیمایش در این اکوسیستم ایجاد خواهید کرد و از فیلترها، کارتهای مدل و دستهبندی وظایف برای یافتن مدل مناسب به جای حدس زدن استفاده میکنید. استنتاج را در وظایف متنی، بینایی و صوتی با Pipeline API اجرا کنید و سپس عمیقتر شوید: بیاموزید که توکنسازها چگونه متن خام را به ورودیهای عددی تبدیل میکنند که مدلها پردازش میکنند، دلیل شکست بیصدای یک طبقهبندیکننده در پیامهای طولانی را عیبیابی کنید و کشف کنید که قالبهای چت چگونه یک مدل زبانی را به یک شریک گفتگو تبدیل میکنند. مدلها را به صورت دستی با کلاسهای AutoModel بارگذاری کنید، پیکربندی آنها را بررسی کرده و حافظه را با دقت کاهشیافته مدیریت کنید. دوره با یک چالش عملی انتخاب مدل بسته میشود: سه مدل کاندید، یک وظیفه، و شما باید تصمیم بگیرید کدام یک نهایی شود؛ بر اساس شواهد کارت مدل، نه بر اساس حدس و گمان.
سرفصل ها و درس ها
اکوسیستم HF و Pipeline API
The HF Ecosystem and Pipeline API
خوشآمدگویی: از صفر تا ارزیابی مطمئن مدل
Welcome: From Zero to Confident Model Evaluation
پیمایش در HF Hub - مدلها، مجموعهدادهها و Spaces
Navigating the HF Hub — Models, Datasets, and Spaces
معرفی Pipeline API - اجرای استنتاج در یک خط
The Pipeline API — Run Inference in One Line
توکنسازها و پیشپردازش متن
Tokenizers and Text Preprocessing
خط لوله پیشپردازش - چرا مدلهای عملیاتی دچار خطا میشوند
The Preprocessing Pipeline — Why It Breaks Production Models
نحوه عملکرد توکنسازها - از متن تا شناسههای توکن
How Tokenizers Work — From Text to Token IDs
پدینگ، برش و ماسکهای توجه (Attention Masks)
Padding, Truncation, and Attention Masks
قالبهای چت برای فرمتبندی سازگار با LLM
Chat Templates for LLM-Compatible Formatting
بارگذاری و اجرای مدلها با AutoModel
Loading and Running Models with AutoModel
بارگذاری مدلها با کلاسهای AutoModel
Loading Models with AutoModel Classes
استنتاج دستی - از ورودی توکنبندی شده تا خروجی مدل
Manual Inference — From Tokenized Input to Model Output
اجرای مدلها با دقت کاهشیافته با استفاده از device_map
Running Models in Reduced Precision with device_map
خواندن کارتهای مدل و استفاده مسئولانه
Reading Model Cards and Responsible Use
خواندن کارت مدل - چه چیزی قابل اعتماد و چه چیزی جای سوال است
Reading a Model Card — What to Trust, What to Question
سازگاری لایسنس و محدودیتهای استقرار
License Compatibility and Deployment Constraints
آنچه میتوانید بیابید، اجرا کنید، بفهمید و ارزیابی کنید
What You Can Find, Run, Understand, and Evaluate
نمایش نظرات