Я рад поделиться с вами своим захватывающим путешествием по тонкой настройке Llama 2 для распознавания именованных объектов (NER), особенно в наборе данных службы поддержки клиентов. NER — это увлекательная задача обработки естественного языка, которая включает в себя идентификацию и классификацию таких объектов, как имена людей, организаций, мест и других важных терминов в данном тексте. Набор данных по обслуживанию клиентов, который я использовал, был тщательно подобран и снабжен широким спектром объектов, связанных с услугами, таких как конкретные типы услуг, поставщики услуг, места оказания услуг и другие связанные термины. Данные были разнообразными и репрезентативными для конкретной области, которую они намеревались охватить. (Я повторно загружу набор данных с дополнительными образцами сюда zaursamedov1/customer-service-ner) Во время обучения использовалась следующая конфигурация квантования битов и байтов: — loadin8bit: False — loadin4bit: True — llmint8threshold: 6.0 — llmint8skipmodules: None — llmint8enablefp32cpuoffload: False — llmint8hasfp16weight: False — bnb4bitquanttype: nf4 — bnb4bitusedoublequant: False — bnb4bitcomputedtype: float16
Модальности:
Генерация текста
Задача: Генерация текста
Автор: zaursamedov1
Теги: llama, text-generation-inference, endpoints_compatible
Лайков: 12 | Загрузок: 15
Описание основано на материалах HuggingFace. Перевод выполнен автоматически.
