Sprachübersetzung mit einem vortrainierten PyTorch-Modell

Dein Team bei PyBooks arbeitet an einem KI-Projekt, das die Übersetzung von einer Sprache in eine andere umfasst. Für diese Aufgabe sollen vortrainierte Modelle genutzt werden, was viel Trainingszeit und Ressourcen spart. In dieser Übung richtest du ein Übersetzungsmodell aus der Transformers-Bibliothek von HuggingFace ein, konkret das T5 (Text-To-Text Transfer Transformer)-Modell, und verwendest es, um einen englischen Satz ins Französische zu übersetzen.

T5Tokenizer, T5ForConditionalGeneration wurden für dich geladen.

Diese Übung ist Teil des Kurses

Deep Learning für Text mit PyTorch

Anleitung zur Übung

Initialisiere tokenizer und model aus dem vortrainierten Modell "t5-small".
Kodiere die Eingabeaufforderung mit dem Tokenizer und gib dabei sicher PyTorch-Tensoren zurück.
Übersetze die Eingabeaufforderung mit model und generiere die übersetzte Ausgabe.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Initalize tokenizer and model
tokenizer = ____.from_pretrained("t5-small")
model = ____.from_pretrained("t5-small")

input_prompt = "translate English to French: 'Hello, how are you?'"

# Encode the input prompt using the tokenizer
input_ids = ____.____(input_prompt, return_tensors="____")

# Generate the translated ouput
output = model.____(input_ids, max_length=50)
generated_text = tokenizer.decode(output[0], skip_special_tokens=True)
print("Generated text:",generated_text)

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Deep Learning für Text mit PyTorch

Hohe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

This chapter introduces you to deep learning for text and its applications. Learn how to use PyTorch for text processing and get hands-on experience with techniques such as tokenization, stemming, stopword removal, and more. Understand the importance of encoding text data and implement encoding techniques using PyTorch. Finally, consolidate your knowledge by building a text processing pipeline combining these techniques.

Exercise 1: Introduction to preprocessing for text Exercise 2: Word frequency analysis Exercise 3: Preprocessing text Exercise 4: Encoding text data Exercise 5: One-hot encoded book titles Exercise 6: Bag-of-words for book titles Exercise 7: Applying TF-IDF to book descriptions Exercise 8: Introduction to building a text processing pipeline Exercise 9: Shakespearean language preprocessing pipeline Exercise 10: Shakespearean language encoder

Explore text classification and its role in Natural Language Processing (NLP). Apply your skills to implement word embeddings and develop both Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs) for text classification using PyTorch, and understand how to evaluate your models using suitable metrics.

Exercise 1: Overview of Text Classification Exercise 2: Embedding in PyTorch Exercise 3: Categorizing text classification tasks Exercise 4: Convolutional neural networks for text classification Exercise 5: Build a CNN model for text Exercise 6: Train a CNN model for text Exercise 7: Testing the Sentiment Analysis CNN Model Exercise 8: Recurrent neural networks for text classification Exercise 9: Building an RNN model for text Exercise 10: Building an LSTM model for text Exercise 11: Building a GRU model for text Exercise 12: Evaluation metrics for text classification Exercise 13: Evaluating RNN classification models Exercise 14: Evaluating the model's performance Exercise 15: Comparing models

Venture into the exciting world of text generation and its applications in NLP. Understand how to leverage Recurrent Neural Networks (RNNs), Generative Adversarial Networks (GANs), and pre-trained models for text generation tasks using PyTorch. Alongside, you'll learn to evaluate the performance of your models using relevant metrics.

Exercise 1: Einführung in die Textgenerierung Exercise 2: Ein RNN-Modell für die Textgenerierung erstellen Exercise 3: Textgenerierung mit RNN – Training und Generierung Exercise 4: Generative Adversarial Networks für die Textgenerierung Exercise 5: Einen Generator und einen Diskriminator erstellen Exercise 6: Ein GAN-Modell trainieren Exercise 7: Vortrainierte Modelle für die Textgenerierung Exercise 8: Textvervollständigung mit vortrainierten GPT-2-Modellen Exercise 9: Sprachübersetzung mit einem vortrainierten PyTorch-Modell

Aktuelle Übung

Exercise 10: Bewertungsmetriken für die Textgenerierung Exercise 11: Vortrainiertes Textgenerierungsmodell bewerten Exercise 12: Text-Generierungsmetriken verstehen

Understand the concept of transfer learning and its application in text classification. Explore Transformers, their architecture, and how to use them for text classification and generation tasks. You will also delve into attention mechanisms and their role in text processing. Finally, understand the potential impacts of adversarial attacks on text classification models and learn how to protect your models.

Exercise 1: Transfer learning for text classification Exercise 2: Transfer learning using BERT Exercise 3: Evaluating the BERT model Exercise 4: Transformers for text processing Exercise 5: Creating a transformer model Exercise 6: Training and testing the Transformer model Exercise 7: Attention mechanisms for text processing Exercise 8: Creating a RNN model with attention Exercise 9: Training and testing the RNN model with attention Exercise 10: Adversarial attacks on text classification models Exercise 11: Adversarial attack classification Exercise 12: Safeguarding AI at PyBooks Exercise 13: Wrap-up