Курс
Transformer Models with PyTorch
Продвинутый уровеньУровень навыков
Обновлено 01.2025
PyTorchArtificial Intelligence2 ч7 видео23 Упражнения1,900 XP8,070Справка об успешном завершении
Создать бесплатный аккаунт
Продолжить через GoogleПоказать больше вариантовили
Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.
Любимая обучающимися из тысяч компаний
Обучаете команду?
Попробуйте для бизнесаОписание курса
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.Необходимые условия
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
Курс завершён
Получить сертификат об окончании
Добавьте эту квалификацию в профиль LinkedIn, резюме или CVПоделитесь в социальных сетях и в обзоре эффективностиЗаписаться сейчас
Присоединяйтесь к более чем 19 миллионам обучающихся и начните Transformer Models with PyTorch уже сегодня!
Создать бесплатный аккаунт
Продолжить через GoogleПоказать больше вариантовили
Продолжая, вы принимаете наши Условия использования, нашу Политику конфиденциальности и соглашаетесь с тем, что ваши данные хранятся в США.
Развивайте свои навыки работы с данными с помощью DataCamp для мобильных устройств.
Успевайте в обучении на ходу с помощью наших мобильных курсов и ежедневных 5-минутных заданий по программированию.