Ludwig
开发者指南
初始化搜索
ludwig-ai/ludwig
Ludwig
ludwig-ai/ludwig
Ludwig
🚀 入门指南
🚀 入门指南
安装
数据集准备
训练
预测与评估
Hyperopt
服务部署
基于 Ray 的分布式训练
大语言模型微调
Ludwig 与 Docker
📖 用户指南
📖 用户指南
Ludwig 是什么?
Ludwig 如何工作
命令行界面
Python API
Python API
LudwigModel
可视化
数据集
数据集
支持的格式
数据预处理
数据后处理
数据集集市
大语言模型
大语言模型
微调
上下文学习
文本分类
GPU
分布式训练
分布式训练
微调预训练模型
超参数优化
云存储
AutoML
可视化
模型导出
服务部署
第三方集成
📚 配置
📚 配置
模型类型
大语言模型
预处理
特征
特征
支持的数据类型
输入特征 (↑)
输出特征 (↓)
⇅ 二元特征
⇅ 数字特征
⇅ 类别特征
⇅ 词袋特征
⇅ 集合特征
⇅ 序列特征
⇅ 文本特征
⇅ 向量特征
↑ 音频特征
↑ 日期特征
↑ H3 特征
⇅ 图像特征
↑ 时间序列特征
默认值
Combiner
Trainer
Hyperopt
后端
💡 示例
💡 示例
LLMs
LLMs
用于分类的微调
llama-2-7b 的指令微调
使用 Deepspeed 对文本分类进行基于 Adapter 的编码器微调
用于文本生成的基于 Adapter 的微调
用于文本生成的零样本批量推理
用于文本分类的零样本批量推理
用于文本分类的少样本批量推理 (RAG)
用于表格分类的零样本批量推理 (TabLLM)
用于表格分类的微调 (TabLLM)
有监督机器学习
有监督机器学习
文本分类
表格数据分类
图像分类
多模态分类
超参数优化
使用 GBM 的欺诈检测
情感分析
用例
用例
命名实体识别标注
自然语言理解
机器翻译
通过 Sequence2Sequence 进行闲聊对话建模
情感分析
使用 Siamese Networks 进行一次性学习
视觉问答
口语数字语音识别
说话人确认
二元分类 (Titanic)
时间序列预测
时间序列预测 (天气)
电影评分预测
多标签分类
多任务学习
简单回归 - 燃油效率预测
欺诈检测
🛠️ 开发者指南
🛠️ 开发者指南
如何贡献
代码库结构
Ludwig API 保障
添加编码器
添加 Combiner
添加解码器
添加特征类型
添加指标
添加损失函数
添加 Tokenizer
添加 Hyperopt 算法
添加预训练模型
添加集成
添加数据集
代码风格指南和测试
单元测试设计指南
使用 Ray 在 GPU 上运行测试
发布流程
👋 社区
❓ 常见问题
开发者指南
这是 Ludwig 开发者指南。它帮助您了解 Ludwig 代码库的结构,并学习如何添加模块以及如何为其贡献代码。