Plan Szkolenia

Wprowadzenie do adaptacji niskiej rangi (LoRA)

  • Czym jest LoRA?
  • Korzyści z LoRA dla wydajnego dostrajania
  • Porównanie z tradycyjnymi metodami dostrajania

Zrozumienie wyzwań związanych z dostrajaniem

  • Ograniczenia tradycyjnego dostrajania
  • Ograniczenia obliczeniowe i pamięciowe
  • Dlaczego LoRA jest skuteczną alternatywą

Konfiguracja środowiska

  • Instalacja Python i wymaganych bibliotek
  • Konfigurowanie transformatorów Hugging Face i PyTorch
  • Eksploracja modeli kompatybilnych z LoRA

Wdrażanie LoRA

  • Przegląd metodologii LoRA
  • Dostosowywanie wstępnie wytrenowanych modeli za pomocą LoRA
  • Dostrajanie do konkretnych zadań (np. klasyfikacja tekstu, podsumowanie)

Optymalizacja dostrajania za pomocą LoRA

  • Dostrajanie hiperparametrów dla LoRA
  • Ocena wydajności modelu
  • Minimalizacja zużycia zasobów

Praktyczne laboratoria

  • Dostrajanie BERT za pomocą LoRA do klasyfikacji tekstu
  • Zastosowanie LoRA do T5 dla zadań podsumowujących
  • Eksplorowanie niestandardowych konfiguracji LoRA dla unikalnych zadań

Wdrażanie modeli dostrojonych za pomocą LoRA

  • Eksportowanie i zapisywanie modeli dostrojonych za pomocą LoRA
  • Integracja modeli LoRA z aplikacjami
  • Wdrażanie modeli w środowiskach produkcyjnych

Zaawansowane techniki w LoRA

  • Łączenie LoRA z innymi metodami optymalizacji
  • Skalowanie LoRA dla większych modeli i zbiorów danych
  • Eksplorowanie aplikacji multimodalnych za pomocą LoRA

Wyzwania i najlepsze praktyki

  • Unikanie nadmiernego dopasowania za pomocą LoRA
  • Zapewnienie odtwarzalności w eksperymentach
  • Strategie rozwiązywania problemów i debugowania

Przyszłe trendy w efektywnym dostrajaniu

  • Pojawiające się innowacje w LoRA i powiązanych metodach
  • Zastosowania LoRA w rzeczywistej sztucznej inteligencji
  • Wpływ efektywnego dostrajania na rozwój sztucznej inteligencji

Podsumowanie i kolejne kroki

Wymagania

  • Podstawowe zrozumienie koncepcji uczenia maszynowego
  • Znajomość programowania Python
  • Doświadczenie z frameworkami głębokiego uczenia, takimi jak TensorFlow lub PyTorch

Odbiorcy

  • Programiści
  • Praktycy AI
 14 godzin

Liczba uczestników


cena netto za uczestnika

Propozycje terminów

Powiązane Kategorie