Przetwarzanie języka naturalnego z wykorzystaniem transformerów. Budowanie aplikacji językowych za pomocą bibliotek Hugging Face Gdynia

Modele transformacyjne zmieniły sposób przetwarzania języka naturalnego. Rewolucja rozpoczęła się w 2017 roku, kiedy zaprezentowano światu tę architekturę sieci neuronowej. Kolejnym przełomem okazały się repozytoria modeli, takie jak biblioteka Transformers zespołu Hugging Face, która umożliwia łatwe pobranie wstępnie wytrenowanego modelu, jego konfigurację i użytkowanie. Poznaj niesamowite możliwości: wszędzie tam, gdzie jest mowa lub tekst, istnieją zastosowania NLP. Niezwykle przejrzysty i wnikliwy przewodnik po najważniejszej bibliotece współczesnego NLP. Polecam! Christopher Manning, profesor Uniwersytetu Stanforda Tę książkę docenią praktycy: inżynierowie uczenia maszynowego i analitycy danych, poszukujący sposobu praktycznego zaadaptowania modeli transformacyjnych do swoich potrzeb. Autorzy skupili się na praktycznej stronie tworzenia aplikacji językowych, a w poszczególnych rozdziałach ujęto wszystkie najważniejsze zastosowania transformerów w NLP. Zaczniesz od łatwych w użyciu potoków, następnie przystąpisz do pracy z tokenizatorami, klasami modeli i interfejsu Trainer API, pozwalającymi na trenowanie modeli do konkretnych zastosowań. Dowiesz się również, jak zastąpić interfejs Trainer biblioteką Accelerate, która zapewnia pełną kontrolę nad pętlą treningową i umożliwia trenowanie dużych transformerów od zera! W książce: tworzenie modeli transformacyjnych przeznaczonych do typowych zadań NLP stosowanie transformerów do międzyjęzykowego uczenia transferowego używanie transformerów w rzeczywistych scenariuszach optymalizacja modeli technikami: destylacji, przycinania i kwantyzacji trenowanie modeli transformacyjnych z wykorzystaniem wielu procesorów graficznych w środowisku rozproszonym Autorzy książki są współtwórcami platformy Hugging Face. Wybitna książka poświęcona wybitnej bibliotece - wzór przejrzystości! Jeremy Howard, profesor Uniwersytetu Queensland Spis treści: 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?