Dies ist die Linux-App namens LLMs-from-scratch, deren neueste Version als LLMs-from-scratchsourcecode.tar.gz heruntergeladen werden kann. Sie kann online beim kostenlosen Hosting-Anbieter OnWorks für Workstations ausgeführt werden.
Laden Sie diese App namens LLMs-from-scratch mit OnWorks kostenlos herunter und führen Sie sie online aus.
Befolgen Sie diese Anweisungen, um diese App auszuführen:
- 1. Diese Anwendung auf Ihren PC heruntergeladen.
- 2. Geben Sie in unserem Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX den gewünschten Benutzernamen ein.
- 3. Laden Sie diese Anwendung in einem solchen Dateimanager hoch.
- 4. Starten Sie den OnWorks Linux-Online- oder Windows-Online-Emulator oder den MACOS-Online-Emulator von dieser Website.
- 5. Rufen Sie vom gerade gestarteten OnWorks Linux-Betriebssystem aus unseren Dateimanager https://www.onworks.net/myfiles.php?username=XXXXX mit dem gewünschten Benutzernamen auf.
- 6. Laden Sie die Anwendung herunter, installieren Sie sie und führen Sie sie aus.
SCREENSHOTS:
LLMs von Grund auf neu
BESCHREIBUNG:
LLMs-from-scratch ist eine lehrreiche Codebasis, die Schritt für Schritt durch die Implementierung moderner Large-Language-Model-Komponenten führt. Der Schwerpunkt liegt auf Bausteinen – Tokenisierung, Einbettungen, Aufmerksamkeit, Feedforward-Ebenen, Normalisierung und Trainingsschleifen –, damit Lernende nicht nur die Verwendung eines Modells, sondern auch dessen interne Funktionsweise verstehen. Das Repository bevorzugt klare Python- und NumPy- oder PyTorch-Implementierungen, die ausgeführt und geändert werden können, ohne dass schwergewichtige Frameworks die Logik verdecken. Kapitel und Notizbücher führen von winzigen Spielzeugmodellen zu leistungsfähigeren Transformer-Stacks, einschließlich Sampling-Strategien und Evaluations-Hooks. Der Fokus liegt auf Lesbarkeit, Korrektheit und Experimentierfreude, was das Buch ideal für Studierende und Praktiker macht, die von der Theorie zu funktionierenden Systemen wechseln. Am Ende haben Sie ein fundiertes Verständnis dafür, wie Datenpipelines, Optimierung und Inferenz zusammenwirken, um flüssigen Text zu erzeugen.
Eigenschaften
- Schrittweise Implementierungen von Tokenizer-, Aufmerksamkeits- und Transformatorblöcken
- Übersichtliche Python-Notizbücher und -Skripte zum Lernen und Basteln
- Trainings- und Sampling-Schleifen, die den vollständigen Daten- und Rechenfluss offenlegen
- Erkundungen von Skalierungsoptionen, Regularisierung und Bewertungsmetriken
- Minimale Abhängigkeiten, um die Mathematik und den Code transparent zu halten
- Dient als Grundlage für die Erweiterung auf größere Modelle und benutzerdefinierte Datensätze
Programmiersprache
Python
Kategorien
Diese Anwendung kann auch von https://sourceforge.net/projects/llms-from-scratch.mirror/ heruntergeladen werden. Sie wurde in OnWorks gehostet, um sie auf einfachste Weise online von einem unserer kostenlosen Betriebssysteme aus ausführen zu können.