Transformers for NLP and Computer Vision 3rd Edition

Transformatoren für die Verarbeitung natürlicher Sprache und Computer Vision: Nehmen Sie generative KI und LLMs auf die nächste Stufe mit umarmtem Gesicht, Google Vertex AI, Chatgpt, GPT-4V und Dall-E 3 3rd Edition

von Denis Rothman

Zuletzt aktualisiert: 30. Oktober 2024

Dieses Repo wird ständig aktualisiert und aktualisiert.
Einzelheiten zu Updates und Verbesserungen finden Sie im Changelog.
Wenn Sie etwas sehen, das nicht wie erwartet läuft, wecken Sie ein Problem und wir werden daran arbeiten!

Suchen Sie nach? Um neue Bonus -Notizbücher wie OpenAI O1 -Argumentationsmodelle, Midjourneys API, Google Vertex AI Geminis API, OpenAI Asynchronous Batch API anzurufen, erkunden!
Suchen Sie nach? Um vorhandene Notizbücher für die neuesten Modell- oder Plattform-Veröffentlichungen wie die neuesten GPT-4O- und GPT-4O-Mini-Modelle von OpenAI zu erkunden.
Suchen Sie nach? Ausführen vorhandener Notizbücher mit neuen Abhängigkeitsversionen und Plattform -API -Einschränkungen und -Tepoken.

Transformers-For-NLP-und-Computer-Vision-3rd-Edition

Dies ist das Code -Repository für Transformatoren für die Verarbeitung von natürlichen Sprachen und die von Packt veröffentlichte Computer Vision.

Erforschen Sie generative KI und große Sprachmodelle mit Umarmungsgesicht, Chatgpt, GPT-4V und Dall-e 3

Über das Buch

Transformers for Natural Language Processing und Computer Vision, Third Edition, LLM -Architekturen, Anwendungen und verschiedene Plattformen (umarmende Gesicht, OpenAI und Google Vertex), die für die Verarbeitung natürlicher Sprache ( NLP ) und Computer Vision ( CV ) verwendet werden.

Tauchen Sie in generative Vision-Transformatoren und multimodale Modellarchitekturen ein und erstellen Sie Anwendungen wie Bild- und Video-zu-Text-Klassifizierer. Gehen Sie weiter, indem Sie verschiedene Modelle und Plattformen kombinieren und die Replikation von AI -Agenten kennenlernen.

Was Sie lernen werden

• Erfahren Sie, wie man LLMs vorab und fein abtun
• Erfahren Sie, wie man mit mehreren Plattformen arbeitet, wie z. B. Face, Openai und Google Vertex AI
• Erfahren Sie mehr über verschiedene Tokenizer und die Best Practices für die Vorverarbeitungssprachdaten
• Implementieren Sie die Erhöhung der Erzeugung von Abrufen und Regeln, um die Halluzinationen zu mildern
• Visualisieren Sie die Transformatormodellaktivität für tiefere Erkenntnisse mit Bertviz, Kalk und Shap
• Erstellen und implementieren Sie plattformübergreifende Modelle wie HuggingGpt
• Gehen Sie in Sichttransformatoren mit Clip, Dall-e 2, Dall-e 3 und GPT-4V ein.

Inhaltsverzeichnis

Kapitel

1. Was sind Transformatoren?
2. Erste Schritte mit der Architektur des Transformatormodells
3. Emergent gegen nachgeschaltete Aufgaben: Die unsichtbaren Tiefen der Transformatoren
4. Fortschritte bei Übersetzungen mit Google Trax, Google Translate und Gemini
5. Tauchen in die Feinabstimmung durch Bert
6. Vorbereitungen eines Transformators von Grund auf Roberta
7. Die generative KI -Revolution mit Chatgpt
8. Feinabstimmung OpenAI-GPT-Modelle
9. Die schwarze Box mit interpretierbaren Werkzeugen zerbrechen
10. Untersuchung der Rolle von Tokenisierern bei der Gestaltung von Transformatormodellen
11. Nutzung von LLM-Einbettungen als Alternative zur Feinabstimmung
12. In Richtung syntaxfreier semantischer Rollenkennzeichnung mit ChatGPT und GPT-4
13. Zusammenfassung mit T5 und Chatgpt
14. Erkundung modernster LLMs mit Scheitelpunkt AI und Palm 2
15. Bewachung der Giants: Risiken in großsprachigen Modellen mildern
16. Jenseits des Textes: Vision -Transformatoren im Morgengrauen der revolutionären KI
17. Überschreitung der Bildtextgrenze mit stabiler Diffusion
18. Umarme Gesichtsautotrain: Trainingsvisionsmodelle ohne Codierung
19. Auf dem Weg zu funktionaler Agi mit Hugginggpt und seinen Kollegen
20. Jenseits von Menschen entworfene Aufforderungen mit generativer Ideen

Anhang

Anhang: Antworten auf die Fragen

Plattformen

Sie können die Notizbücher direkt aus der folgenden Tabelle ausführen:

Kapitel	Colab	Kaggle	Gradient	Studiolab
Teil I Die Grundlagen von Transformatormodellen
Kapitel 1: Was sind Transformatoren?
? O_1_and_accelerators.ipynb CHATGPT_PLUS_WRITES_AND_EXplains_ai.ipynb
Kapitel 2: Erste Schritte mit der Architektur des Transformatormodells
? Multi_head_attention_sub_layer.ipynb Positional_encoding.ipynb
Kapitel 3: Emergent gegen nachgeschaltete Aufgaben: Die unsichtbaren Tiefen der Transformatoren
From_training_to_emergence.ipynb Transformator_tasks_with_hugging_face.ipynb
Kapitel 4: Fortschritte in Übersetzungen mit Google Trax, Google Translate und Google Bard
WMT_TRANSLATIONS.IPYNB Trax_google_translate.ipynb
Kapitel 5: Tauchen in die Feinabstimmung durch Bert
BERT_FINE_TUNING_SENTENCE_CLassifization_gpu.ipynb
Kapitel 6: Vorbereitung eines Transformators von Grund auf Roberta
? Kantaibert.ipynb ? Customer_support_for_x.ipynb
Teil II: Der Aufstieg von Suprahuman NLP
Kapitel 7: Die generative KI -Revolution mit Chatgpt
Openai_models.ipynb Openai_gpt_4_assistant.ipynb ? ? GPT_4_RAG.IPYNB (GPT-4O)
OpenAI-Argumentationsmodelle: Die O1-Präview-API
? Openai_reasoning_models_o1_api.ipynb
Kapitel 8: Feinabstimmung OpenAI-Modelle
Fine_tuning_openai_models.ipynb ? Fine_tuning_gpt_4o_mini_squad.ipynb
Kapitel 9: Die schwarze Box mit interpretierbaren Werkzeugen zerbrechen
Bertviz_interactive.ipynb Hugging_face_shap.ipynb
Kapitel 10: Untersuchung der Rolle von Tokenisierern bei der Gestaltung von Transformatormodellen
Tokenizer.ipynb Sub_word_tokenizers.ipynb ? Exploring_Tokenizers.ipynb
Kapitel 11: Nutzung von LLM-Einbettungen als Alternative zur Feinabstimmung
? Einbetting_with_nlkt_gensim.ipynb ? Frage_answering_with_embeddings.ipynb ? Transfer_learning_with_ada_embeddings.ipynb
Kapitel 12: Auf dem Weg zu syntaxfreier semantischer Rollenkennzeichnung mit Bert und OpenAIs Chatgpt
Semantic_role_labeling_gpt-4.ipynb
Kapitel 13: Zusammenfassung mit T5 und Chatgpt
? Summerizing_text_t5.ipynb Summarizing_Chatgpt.ipynb
Kapitel 14: Erforschung modernster NLP mit Google Vertex AI (Palm und? Gemini mit Gemini-1.5-Flash-001
Google_vertex_ai.ipynb Google_vertex_ai_gemini.ipynb
Kapitel 15: Bewachung der Giants: milderne Risiken in großen Sprachmodellen <
? Auto_big_bench.ipynb (gpt-4o, synchron) ? Auto_big_bench.ipynb (gpt-4o-mini, synchron) GPT -API -Geschwindigkeit ++ mit asynchronen Stapelaufrufen! WANDB_PROMPTS_QUICKSTART.IPYNB CNCODER_DECODER_TRANSFORMER.IPYNB MITIGATING_GENERATIVE_AI.IPYNB
Teil III: Generative Computer Vision: Eine neue Art, die Welt zu sehen
Kapitel 16: Vision -Transformatoren im Morgengrauen der revolutionären KI
Vit_clip.ipynb Gern_started_dall_e_api.ipynb GPT-4V.IPynb (GPT-4O)
Kapitel 17: Überschreitung der Bildtextgrenze mit stabiler Diffusion
Stable_diffusion_keras.ipynb Stable__Vision_Stability_ai.ipynb Stable__Vision_Stability_ai_animation.ipynb Text_to_video_synthesis.ipynb Timesformer.ipynb
Stabile Diffusion mit umarmtem Gesicht
? Stable_diffusion_hugging_face.ipynb
Kapitel 18: Training für automatisierte Vision Transformer
? Hugging_face_autotrain.ipynb
Kapitel 19: Auf dem Weg zu funktionaler Agi mit Hugginggpt und seinen Kollegen
Computer_vision_analysis.ipynb
Kapitel 20: Generative AI -Ideen -Vertex AI, Langchain und stabile Diffusion
Automated_design.ipynb Midjourney_bot.ipynb ? Automated_idreation.ipynb ? MYMIDJOURNEY_API.IPYNB

Chat mit dem input-ausgelösten GPT-4-Chatbot dieses Repositorys

Chatten Sie mit meinem benutzerdefinierten GPT4 -Bot für dieses Repository.

Sie können Fragen zu diesem Repository stellen. Sie können den Code auch aus den Notebooks in mein Chat -GPT kopieren und nach Erklärungen fragen.

Dies ist ein hochmodernes input-ausgelöster Chatbot, der auf OpenAI für dieses Github-Repository aufgebaut ist. OpenAI benötigt ein ChatGPT Plus -Abonnement, um es zu erkunden.

Einschränkungen: Dies ist ein experimenteller Chatbot. Es ist diesem Github -Repository gewidmet und ersetzt die im Buch angegebenen Erklärungen nicht. Aber Sie können sicherlich einige interessante Bildungsinteraktionen mit meinem GPT-4-Chatbot haben.

Ein Problem ansprechen

Sie können ein Problem erstellen. Wir werden gerne Unterstützung bieten! In diesem Repository, wenn Sie in den Notebooks auf eines begegnen.

Holen Sie sich meine Kopie

Wenn Sie das Gefühl haben, dass dieses Buch für Sie ist, holen Sie sich noch heute Ihr Exemplar!

Erfahren Sie mehr über den Discord -Server

Sie können sich mehr auf dem Discord -Server beschäftigen, um weitere neueste Updates und Diskussionen in der Community bei Discord zu erhalten

Laden Sie eine kostenlose PDF herunter

Wenn Sie bereits eine Druck- oder Kindle-Version dieses Buches gekauft haben, können Sie kostenlos eine DRM-freie PDF-Version erhalten. Klicken Sie einfach auf den Link, um Ihre kostenlose PDF zu beanspruchen

Wir bieten auch eine PDF

Lernen Sie den Autor kennen

Denis Rothman absolvierte die Sorbonne University und die Paris-Cité University und entworfen eine der ersten patentierten Codier- und Einbettungssysteme und unterrichtete in Paris-i Panthéon Sorbonne. Er begann seine Karriere mit einer Chatbot für natürliche Sprachverarbeitung (NLP) für Moët et Chandon (LVMH) und einen Tactical Defense Optimizer für Airbus (ehemals Aerospatiale). Denis verfasste dann einen KI -Optimierer für IBM- und Luxusmarken, der zu einer weltweit verwendeten APS -Lösung für fortschrittliche Planung und Planung (APS) führte. LinkedIn