Słowo wstępne

Przedmowa

1. Witajcie, transformery

• Model koder-dekoder
• Mechanizmy atencji
• Uczenie transferowe w NLP
• Hugging Face Transformers - eliminowanie luki
• Przegląd zastosowań transformerów
  • Klasyfikacja tekstu
  • Rozpoznawanie nazwanych encji
  • Odpowiadanie na pytania
  • Streszczanie
  • Tłumaczenie
  • Generowanie tekstu
• Ekosystem Hugging Face
  • Hugging Face Hub
  • Hugging Face Tokenizers
  • Hugging Face Datasets
  • Hugging Face Accelerate
• Główne wyzwania związane z transformerami
• Podsumowanie

2. Klasyfikacja tekstu

• Zbiór danych
  • Pierwsze spojrzenie na zbiory danych Hugging Face
  • Od zbiorów do ramek danych
  • Sprawdzanie rozkładu klas
  • Jak długie są nasze tweety?
• Od tekstu do tokenów
  • Tokenizacja znakowa
  • Tokenizacja wyrazowa
  • Tokenizacja podwyrazowa
  • Tokenizacja całego zbioru danych
• Trenowanie klasyfikatora tekstu
  • Transformery jako ekstraktory cech
  • Dostrajanie transformerów
• Podsumowanie

3. Anatomia transformera

• Architektura transformera
• Koder
  • Samouwaga
  • Warstwa propagacji w przód
  • Dodawanie normalizacji warstw
  • Osadzenia pozycyjne
  • Dodawanie głowy klasyfikacyjnej
• Dekoder
• Poznaj transformery
  • Drzewo życia transformerów
  • Gałąź koderów
  • Gałąź dekoderów
  • Gałąź koderów-dekoderów
• Podsumowanie

4. Wielojęzyczne rozpoznawanie nazwanych encji

• Zbiór danych
• Transformery wielojęzyczne
• Bliższe spojrzenie na tokenizację
  • Potok tokenizatora
  • Tokenizator SentencePiece
• Transformery w rozpoznawaniu nazwanych encji
• Anatomia klasy modelu transformera
  • Ciała i głowy
  • Tworzenie niestandardowego modelu do klasyfikacji tokenów
  • Wczytywanie niestandardowego modelu
• Tokenizacja tekstów na użytek NER
• Miary efektywności
• Dostrajanie modelu XLM-RoBERTa
• Analiza błędów
• Transfer międzyjęzykowy
  • Kiedy transfer zero-shot ma sens?
  • Dostrajanie na wielu językach jednocześnie
• Interaktywne używanie widgetów modelu
• Podsumowanie

5. Generowanie tekstu

• Trudności z generowaniem spójnego tekstu
• Dekodowanie z wyszukiwaniem zachłannym
• Dekodowanie z wyszukiwaniem wiązkowym
• Metody próbkowania
• Próbkowanie top-k i próbkowanie jądrowe
• Która metoda dekodowania jest najlepsza?
• Podsumowanie

6. Streszczanie

• Zbiór danych CNN/DailyMail
• Potoki streszczania tekstu
  • Punkt odniesienia
  • GPT-2
  • T5
  • BART
  • PEGASUS
• Porównanie różnych streszczeń
• Mierzenie jakości generowanego tekstu
  • BLEU
  • ROUGE
• Ewaluacja PEGASUS-a na zbiorze danych CNN/DailyMail
• Trenowanie modelu streszczania
  • Ewaluacja PEGASUS-a na zbiorze SAMSum
  • Dostrajanie PEGASUS-a
  • Generowanie streszczeń dialogów
• Podsumowanie

7. Odpowiadanie na pytania

• Budowanie systemu QA opartego na recenzjach
  • Zbiór danych
  • Wyodrębnianie odpowiedzi z tekstu
  • Budowanie potoku QA z wykorzystaniem biblioteki Haystack
• Ulepszanie potoku QA
  • Ewaluacja modułu wyszukującego
  • Ewaluacja modułu czytającego
  • Adaptacja dziedzinowa
  • Ewaluacja całego potoku QA
• Wykraczanie poza ekstrakcyjne QA
• Podsumowanie

8. Zwiększanie wydajności transformerów w środowisku produkcyjnym

• Wykrywanie intencji jako studium przypadku
• Tworzenie testu porównawczego
• Zmniejszanie modeli poprzez destylację wiedzy
  • Destylacja wiedzy na użytek dostrajania
  • Destylacja wiedzy na użytek treningu wstępnego
  • Tworzenie trenera do destylacji wiedzy
  • Wybór dobrej inicjalizacji ucznia
  • Znajdowanie dobrych parametrów za pomocą Optuny
  • Testowanie wydestylowanego modelu
• Przyspieszanie modeli za pomocą kwantyzacji
• Testowanie skwantyzowanego modelu
• Optymalizowanie inferencji za pomocą standardu ONNX i platformy ONNX Runtime
• Rozrzedzanie modeli poprzez redukcję wag
  • Rozrzedzanie w głębokich sieciach neuronowych
  • Metody redukcji wag
• Podsumowanie

9. Jak radzić sobie z nielicznymi etykietami lub brakiem etykiet

• Budowanie narzędzia do tagowania problemów na GitHubie
  • Pozyskiwanie danych
  • Przygotowywanie danych
  • Tworzenie zbiorów treningowych
  • Tworzenie wycinków treningowych
• Naiwny klasyfikator bayesowski jako model odniesienia
• Praca bez etykiet
• Praca z nielicznymi etykietami
  • Wzbogacanie danych
  • Używanie osadzeń jako tabeli wyszukiwania
  • Dostrajanie standardowego transformera
  • Uczenie kontekstowe i few-shot z podpowiedziami
• Wykorzystywanie danych bez etykiet
  • Dostrajanie modelu językowego
  • Dostrajanie klasyfikatora
  • Metody zaawansowane
• Podsumowanie

10. Trenowanie transformerów od podstaw

• Duże zbiory danych i gdzie ich szukać
  • Wyzwania związane z budowaniem dużego korpusu
  • Budowanie własnego zbioru danych z kodem
  • Praca z dużymi zbiorami danych
  • Dodawanie zbiorów danych do witryny Hugging Face Hub
• Budowanie tokenizatora
  • Model tokenizatora
  • Mierzenie efektywności tokenizatora
  • Tokenizator dla Pythona
  • Trenowanie tokenizatora
  • Zapisywanie niestandardowego tokenizatora w witrynie Hub
• Trenowanie modelu od podstaw
  • Opowieść o celach treningu wstępnego
  • Inicjalizowanie modelu
  • Implementowanie klasy do wczytywania danych
  • Definiowanie pętli treningowej
  • Przebieg treningowy
• Wyniki i analiza
• Podsumowanie

11. Przyszłe kierunki

• Skalowanie transformerów
  • Prawa skalowania
  • Wyzwania związane ze skalowaniem
  • Prosimy o uwagę!
  • Atencja rozrzedzona
  • Atencja linearyzowana
• Nie tylko tekst
  • Wizja
  • Tabele
• Transformery multimodalne
  • Przetwarzanie mowy na tekst
  • Wizja i tekst
• Co dalej?

• Назва: Przetwarzanie języka naturalnego z wykorzystaniem transformerów. Budowanie aplikacji językowych za pomocą bibliotek Hugging Face
• Автор: Lewis Tunstall, Leandro von Werra, Thomas Wolf
• Оригінальна назва: Natural Language Processing with Transformers, Revised Edition
• Переклад: Grzegorz Werner
• ISBN: 978-83-289-0712-6, 9788328907126
• Дата видання: 2024-03-19
• Формат: Eлектронна книга
• Ідентифікатор видання: przjet
• Видавець: Helion
• вікова категорія: 14+