Thank you for sending your enquiry! One of our team members will contact you shortly.
Thank you for sending your booking! One of our team members will contact you shortly.
Struttura del corso
Introduzione all'adattamento di basso rango (LoRA)
- Che cos'è LoRA?
- Vantaggi di LoRA per una regolazione fine efficiente
- Confronto con i metodi di messa a punto tradizionali
Comprendere le sfide della messa a punto
- Limitazioni del fine-tuning tradizionale
- Vincoli computazionali e di memoria
- Perché LoRA è un'alternativa efficace
Configurazione dell'ambiente
- Installazione di Python e librerie richieste
- Impostazione di Hugging Face Trasformatori e PyTorch
- Esplorazione dei modelli compatibili con LoRA
Implementazione di LoRA
- Panoramica della metodologia LoRA
- Adattamento di modelli pre-addestrati con LoRA
- Messa a punto per attività specifiche (ad esempio, classificazione del testo, riassunto)
Ottimizzazione della messa a punto con LoRA
- Ottimizzazione degli iperparametri per LoRA
- Valutazione delle prestazioni del modello
- Riduzione al minimo del consumo di risorse
Laboratori pratici
- Ottimizzazione di BERT con LoRA per la classificazione del testo
- Applicazione di LoRA a T5 per le attività di riepilogo
- Esplorazione di configurazioni LoRA personalizzate per attività uniche
Distribuzione di modelli ottimizzati per LoRA
- Esportazione e salvataggio di modelli ottimizzati per LoRA
- Integrazione di modelli LoRA nelle applicazioni
- Distribuzione di modelli in ambienti di produzione
Tecniche avanzate in LoRA
- Combinazione di LoRA con altri metodi di ottimizzazione
- Ridimensionamento di LoRA per modelli e set di dati più grandi
- Esplorazione delle applicazioni multimodali con LoRA
Sfide e best practice
- Evitare l'overfitting con LoRA
- Garantire la riproducibilità negli esperimenti
- Strategie per la risoluzione dei problemi e il debug
Tendenze future per una messa a punto efficiente
- Innovazioni emergenti in LoRA e metodi correlati
- Applicazioni di LoRA nell'intelligenza artificiale del mondo reale
- Impatto di una messa a punto efficiente sullo sviluppo dell'IA
Riepilogo e passaggi successivi
Requisiti
- Conoscenza di base dei concetti di machine learning
- Familiarità con la programmazione Python
- Esperienza con framework di deep learning come TensorFlow o PyTorch
Pubblico
- Gli sviluppatori
- Professionisti dell'IA
14 ore
