หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

AWS-LLM-SageMaker

เวิร์กช็อปเชิงปฏิบัติสำหรับนักพัฒนาและผู้สร้างโซลูชันนี้จะแนะนำวิธีใช้ประโยชน์จาก Foundation Models (FM) ด้วย Amazon SageMaker

ในแล็บนี้ เราจะแสดงให้คุณเห็นรูปแบบการใช้งาน Generative AI ที่ได้รับความนิยมมากที่สุดของลูกค้า และตัวอย่างเทคโนโลยีที่ใช้ GenAI เพื่อขับเคลื่อนคุณค่าให้กับองค์กรโดยการปรับปรุงประสิทธิภาพการทำงาน
ซึ่งสามารถทำได้โดยการใช้ประโยชน์จากโมเดลพื้นฐานที่ช่วยให้คุณเขียนอีเมล สรุปข้อความ ตอบคำถาม สร้างแชทบอท และสร้างรูปภาพ

คำแนะนำเกี่ยวกับเอกสารฝึกปฏิบัติในการปรับใช้ AWS Samples Github

เนื้อหาสำหรับห้องปฏิบัติการนี้เผยแพร่บน AWS Samples Github สื่อฝึกหัดในปัจจุบันจะอัปเดตมากกว่าสื่อตัวอย่างอย่างเป็นทางการของ AWS เสมอ

LLM - RAG: เปิดการค้นหาด้วย SageMaker Endpoint LLM Polyglot

  • หัวข้อ: LLM - RAG: Opensearch ด้วย SageMaker Endpoint LLM Polyglot
  • ลิงก์สะท้อน: https://github.com/aws-samples/aws-ai-ml-workshop-kr/tree/master/genai/aws-gen-ai-kr/20_applications/04_rag_finance_opensearch_sllm_workshop
  • วันที่สะท้อนล่าสุด: 2024.04.25

[จูนเนอร์] การปรับ QLoRA แบบละเอียด

  • หัวข้อ: [จูนเนอร์] การปรับ QLoRA แบบละเอียด
  • ลิงก์สะท้อน: https://github.com/aws-samples/aws-ai-ml-workshop-kr/tree/master/genai/aws-gen-ai-kr/30_fine_tune/01-instruction-tuning-peft-qlora
  • วันที่สะท้อนล่าสุด: 2024.04.18

LLM - RAG: เปิดการค้นหาด้วย SageMaker Endpoint LLM Ployglot

  1. การใช้งานจริงของ RAG (Retrieval-Augmented Generation) กับ Amazon SageMaker และ Amazon Opensearch - RAG (Retrieval-Augmented Generation) เป็นสถาปัตยกรรม NLP ที่เป็นนวัตกรรมที่ผสมผสานการดึงข้อมูลและการสร้างข้อความเข้าด้วยกัน ในห้องปฏิบัติการเชิงปฏิบัตินี้ คุณจะได้เรียนรู้ผ่านแบบฝึกหัดเชิงปฏิบัติสั้นๆ ว่า RAG ผสานรวมกับ Amazon Opensearch เพื่อปรับปรุงกระบวนการค้นหาฐานข้อมูลหรือเอกสารภายนอกที่เชื่อถือได้อย่างไร ในแล็บนี้ คุณจะได้รับประสบการณ์ตรงในการใช้รูปแบบเหล่านี้ใน SageMaker Endpoint และ Amazon Opensearch ผ่านการฝังอินพุตข้อมูล, SDK และซอฟต์แวร์โอเพ่นซอร์ส เช่น LangChain และ FAISS

[จูนเนอร์] การปรับ QLoRA แบบละเอียด

  • คุลล์ม-พูดได้หลายภาษา-12.8B

ชื่อไฟล์

  • 1_prepare-dataset-alpaca-method.ipynb : เตรียมชุดข้อมูลการฝึกอบรมจากชุดข้อมูลคำสั่ง วิธีการนี้จะสร้างโทเค็นแต่ละตัวอย่าง
  • 1_prepare-dataset-chunk-method.ipynb : เตรียมชุดข้อมูลการฝึกอบรมจากชุดข้อมูลคำสั่ง วิธีการนี้จะเชื่อมตัวอย่างทั้งหมดเข้าด้วยกันและแบ่งตามขนาดชิ้น
  • 2_local-train-debug-lora.ipynb : ดีบักด้วยข้อมูลตัวอย่างบางส่วนในสภาพแวดล้อมการพัฒนาก่อนที่จะดำเนินการอย่างจริงจังกับอินสแตนซ์การฝึกอบรม หากคุณคุ้นเคยกับการปรับแต่งแบบละเอียดอยู่แล้ว โปรดข้ามการปฏิบัติจริงนี้และดำเนินการต่อด้วย 3_sm-train-lora.ipynb
  • 3_sm-train-lora.ipynb : ดำเนินการปรับแต่งอินสแตนซ์การฝึกอบรม SageMaker อย่างละเอียด
ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด