الضبط الدقيق المقتصد لمعلمات نماذج اللغة: PEFT وLoRA وQLoRA

كيّف نماذج اللغة بتحديثات صغيرة قابلة للتدريب.

هل تبحث عن شروحات خطوة بخطوة لأدوات ذكاء اصطناعي محددة؟

نظرة عامة على الدورة

ادرس الضبط الدقيق المقتصد بالمعلمات من دوافعه والتكيّف منخفض الرتبة إلى مسارات PEFT وLoRA المكمّم. قارن أوزاناً أساسية مجمدة بوحدات تكيّف قابلة للتدريب، وحدد اختيارات الوحدات والبيانات بوضوح. صمم تقييماً يفصل مكاسب المهمة عن الحفظ وآثار التكميم وكلفة النشر. الفيديوهات بالإنجليزية ومرفقة بملاحظات أصلية لا بنصوص منسوخة.

شرح كيف تقلل أساليب PEFT المعلمات القابلة للتدريب عند تكييف النموذج. مقارنة LoRA وLoRA المكمّم من حيث الذاكرة والتحسين والجودة والاستدلال. تصميم تقييم بخطوط أساس مناسبة وضوابط لتسرب البيانات.

يُستحسن الإلمام بالشبكات العصبية والمحولات والضبط الدقيق الخاضع للإشراف. تفيد معرفة التحسين والترميز وذاكرة GPU؛ ولا تلزم مكتبة بعينها.

للمتعلمين ذوي الخبرة الراغبين في تعميق مهارات الذكاء الاصطناعي المتقدمة وتطبيقها

لمن يتعلمون بشكل أفضل من خلال الأمثلة والدروس الموجّهة والتطبيق العملي

للمهنيين والمبدعين والمطورين المستقلين الباحثين عن سير عمل قابل للتكرار

جرّب الدرس الأول

جرّب الدرس الأول مجانًا بحساب مجاني، دون بطاقة دفع. تتطلب الدروس المدفوعة الأخرى وصولًا صالحًا إلى الأكاديمية أو فترة تجريبية نشطة أو اشتراك Lumi Pro.

4 الدروس · متقدم · الدورة الكاملة.

محتوى دورة بترخيص مفتوح · مرخّص CC BY · الترخيص موثّق

تستخدم هذه الدورة مواد مرخّصة بموجب CC BY مع نسبتها إلى مزود المحتوى أو رافعها. لا يتاح تشغيل الدروس إلا بعد تسجيل الدخول واجتياز فحوص النشر والترخيص.

تحليل المصادر

دورة مختصرة حول تكييف نماذج اللغة باستخدام LoRA وQLoRA، مُقيَّمة استناداً إلى صفحتها نفسها

تحليل تحريري بمساعدة الذكاء الاصطناعي للمصادر المذكورة، وليس اختبارًا عمليًا أو مراجعة عميل. ادعاءات المورّد ليست قياسات أداء مستقلة.

تقييمنا

يصف المصدر دورة متقدمة واحدة بعنوان Parameter-Efficient LLM Fine-Tuning: PEFT, LoRA, and QLoRA، تهدف إلى تعليم كيفية تكييف نماذج اللغة المدربة مسبقاً عبر تحديثات قابلة للتدريب ومدمجة بدلاً من إعادة التدريب الكامل. يشمل نطاقها المعلن التكييف منخفض الرتبة، وسير عمل PEFT، وLoRA المكمَّم، مع التركيز على تقييم المفاضلات بين الجودة والحوسبة وقابلية إعادة الإنتاج. تقدّم الصفحة الدورة على أنها أربعة دروس بمستوى متقدم. ولأن الصفحة وصف في كتالوج، فإن الادعاءات أدناه تصف ما تقول الدورة إنها تغطيه، لا ما تقدمه دروسها عملياً.

الجمهور والاستخدام المناسب

تستهدف الدورة مهمة محددة: مهندس أو باحث يضبط النماذج بالفعل ويحتاج إلى تحديد ما إذا كان LoRA أو QLoRA يناسب ميزانية الذاكرة أو النشر. توصي الصفحة بخبرة سابقة في الشبكات العصبية ونماذج المحولات والضبط الدقيق المُشرَف، مع الإلمام بذاكرة وحدات معالجة الرسوميات. وتذكر أنه لا يُشترط مكتبة بعينها. وهي أقل ملاءمة لمن يبحث عن مقدمة عامة في الذكاء الاصطناعي التوليدي أو أداة جاهزة لكتابة النصوص وتحريرها، لأن المادة تتناول تكييف النماذج لا استخدامها من قِبل المستخدم النهائي.

القيود والمفاضلات

الفكرة الأكثر فائدة التي تبرزها الصفحة هي الاختيار بين أوزان أساسية مجمَّدة مع محولات قابلة للتدريب وإعادة تدريب أوسع، وبين LoRA وLoRA المكمَّم. يذكر وصف الدورة أنها ستقارن الذاكرة والتحسين والجودة ومتطلبات الاستدلال، وأنها تصمم تقييمات تفصل مكاسب المهمة عن آثار الحفظ والتكميم. وهذا الإطار مهم لأن النموذج الأساسي المكمَّم قد يغيّر النتائج والتكلفة، لذا لا ينبغي لفريق أن يفترض أن تدريب المحولات خالٍ من فقدان الجودة. لا تذكر الصفحة مقدار الدقة المفقودة أو المكتسبة في أي حالة ملموسة، لذلك تبقى هذه المقادير غير معروفة من هذا المصدر.

قبل البدء

قبل الدفع أو تخصيص الوقت، تحقق من شروط الوصول التي تصفها الصفحة. فهي تذكر أن الدورة تستخدم مادة مرخصة بموجب CC BY، وأن تشغيل الدروس متاح فقط عبر وصول موثّق بعد اجتياز فحوص النشر والترخيص. وتذكر كذلك أن الدرس الأول مجاني، لكن الصفحة لا تحدد سعراً ولا مدة التزام زمني ولا ما إذا كانت بقية الدروس تتطلب دفعاً. ويرافق التحليل الأصلي الملفات المرفوعة بصوت إنجليزي وليس نص تفريغ، لذا على من يحتاج إلى نص تفريغ أو إلى لغة أخرى أن يتحقق من ذلك على حدة. لا تُعرض نتائج للمتعلمين أو مراجعات، لذا فإن قيمة إكمال الدورة وفائدتها العملية لم يُختبرا في هذا التحليل.

نقاط تحتاج إلى تحقق

المصادر التي تمت مراجعتها

ساعدنا على جعل هذه الصفحة أكثر فائدة

هل تابعت دروسًا من هذه الدورة؟ أخبرنا بما تعلمته وما يمكن توضيحه.

شارك تجربتك · اقترح تصحيحًا

تُرسل الملاحظات بشكل خاص إلى فريقنا. لا تُنشر تلقائيًا ولا تُحتسب كتقييم. لا تشارك كلمات المرور أو بيانات العملاء أو المعلومات الحساسة.