course
Transformer Models with PyTorch
ZaawansowanyPoziom umiejętności
Zaktualizowano 01.2025PyTorchArtificial Intelligence2 godz.7 videos23 Exercises1,900 PD7,113Oświadczenie o osiągnięciu
Utwórz bezpłatne konto
Lub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz fakt, że Twoje dane są przechowywane w USA.Uwielbiany przez pracowników tysięcy firm
Szkolenie 2 lub więcej osób?
Wypróbuj DataCamp for BusinessOpis kursu
Deep-Dive into the Transformer Architecture
Transformer models have revolutionized text modeling, kickstarting the generative AI boom by enabling today's large language models (LLMs). In this course, you'll look at the key components in this architecture, including positional encoding, attention mechanisms, and feed-forward sublayers. You'll code these components in a modular way to build your own transformer step-by-step.Implement Attention Mechanisms with PyTorch
The attention mechanism is a key development that helped formalize the transformer architecture. Self-attention allows transformers to better identify relationships between tokens, which improves the quality of generated text. Learn how to create a multi-head attention mechanism class that will form a key building block in your transformer models.Build Your Own Transformer Models
Learn to build encoder-only, decoder-only, and encoder-decoder transformer models. Learn how to choose and code these different transformer architectures for different language tasks, including text classification and sentiment analysis, text generation and completion, and sequence-to-sequence translation.Wymagania wstępne
Deep Learning for Text with PyTorch1
The Building Blocks of Transformer Models
Discover what makes the hottest deep learning architecture in AI tick! Learn about the components that make up Transformer models, including the famous self-attention mechanisms described in the renowned paper "Attention is All You Need."
2
Building Transformer Architectures
Design transformer encoder and decoder blocks, and combine them with positional encoding, multi-headed attention, and position-wise feed-forward networks to build your very own Transformer architectures. Along the way, you'll develop a deep understanding and appreciation for how transformers work under the hood.
Transformer Models with PyTorch
Kurs ukończony
Zdobądź oświadczenie o osiągnięciach
Dodaj te dane uwierzytelniające do swojego profilu na LinkedIn, CV lub życiorysuUdostępnij w mediach społecznościowych i w swojej ocenie okresowejZapisz Się Teraz
Dołącz do nas 19 milionów uczniów i zacznij Transformer Models with PyTorch już dziś!
Utwórz bezpłatne konto
Lub
Kontynuując, akceptujesz nasze Warunki korzystania, naszą Politykę prywatności oraz fakt, że Twoje dane są przechowywane w USA.Rozwijaj swoje umiejętności w zakresie danych dzięki DataCamp dla urządzeń mobilnych
Rób postępy w podróży dzięki naszym kursom mobilnym i codziennym 5-minutowym wyzwaniom kodowania.