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."

Transformers avec PyTorch

Décomposer le Transformer

Transformers PyTorch

Encodage des embeddings et positionnel

Créer les embeddings d’entrée

Créer des encodages positionnels

Auto-attention multi-tête

Implémenter l’attention multi-têtes

Commencer la classe MultiHeadAttentionClass

Ajout de méthodes à la classe MultiHeadAttention

The Building Blocks of Transformer Models

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.

Encoder transformers

Feed-forward sublayers

The encoder transformer layer

The encoder transformer body

Adding the transformer head

Decoder transformers

Designing a mask for self-attention

The decoder layer

Completing the decoder transformer

Encoder-decoder transformers

Adding cross-attention to the decoder layer

Constructing the encoder-decoder transformer

Congratulations!

Building Transformer Architectures

Plongez au cœur des LLM et découvrez comment l’architecture Transformer a révolutionné le deep learning et propulsé l’essor de l’IA générative ! Dans ce cours, vous apprendrez à créer votre propre architecture Transformer de A à Z, composant par composant. Vous verrez comment encoder la position des tokens, effectuer les calculs du mécanisme d’attention, et construire des composants Transformer modulaires pour mieux contrôler le fonctionnement interne de votre modèle. Passez de débutant à expert des LLM dès aujourd’hui !

<h2>Approfondissez vos connaissances sur l'architecture Transformer</h2>
Les modèles de transformateurs ont révolutionné la modélisation de texte, déclenchant l'essor de l'IA générative en rendant possibles les grands modèles linguistiques (LLM) actuels. Dans ce cours, vous étudierez les composants clés de cette architecture, notamment le codage positionnel, les mécanismes d'attention et les sous-couches feed-forward. Vous coderez ces composants de manière modulaire afin de construire votre propre transformateur étape par étape.<br><br><h2>Mettre en œuvre des mécanismes d'attention avec PyTorch</h2>
Le mécanisme d'attention est une avancée majeure qui a contribué à formaliser l'architecture du transformateur. L'auto-attention permet aux transformateurs de mieux identifier les relations entre les tokens, ce qui améliore la qualité du texte généré. Découvrez comment créer une classe de mécanisme d'attention multi-têtes qui constituera un élément clé de vos modèles de transformateurs.<br><br><h2>Construisez vos propres modèles de transformateurs</h2>
Apprenez à créer des modèles de transformateurs encodeurs uniquement, décodeurs uniquement et encodeurs-décodeurs. Découvrez comment sélectionner et coder ces différentes architectures de transformateurs pour diverses tâches linguistiques, notamment la classification de texte et l'analyse des sentiments, la génération et la complétion de texte, ainsi que la traduction séquence-à-séquence.

Deep Learning for Text with PyTorch

Comment les LLM fonctionnent-ils ? Découvrez comment les transformateurs ont révolutionné l'IA générative.

Modèles Transformer avec PyTorch

Qu'est-ce qui caractérise les LLM ? Comment les transformateurs ont révolutionné la modélisation de texte et propulsé l'IA générative.

Apprentissage profond en Python

Développer des LLM

Transformers PyTorch

Instructions de l’exercice

Exercice interactif pratique