logo
Ludwig
入门
正在初始化搜索
    ludwig-ai/ludwig
    ludwig-ai/ludwig
    • Ludwig
    • 🚀 入门
      • 安装
      • 数据集准备
      • 训练
      • 预测与评估
      • 超参数优化
      • 服务部署
      • 在 Ray 上进行分布式训练
      • LLM 微调
      • 使用 Docker 运行 Ludwig
    • 📖 用户指南
      • 什么是 Ludwig?
      • Ludwig 的工作原理
      • 命令行接口
        • LudwigModel
        • 可视化
        • 支持的格式
        • 数据预处理
        • 数据后处理
        • 数据集库
      • 大型语言模型
        • 微调
        • 上下文学习
        • 文本分类
      • GPU
      • 分布式训练
        • 预训练模型微调
      • 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
      • 模型类型
      • 大型语言模型
      • 预处理
        • 支持的数据类型
        • 输入特征 (↑)
        • 输出特征 (↓)
        • ⇅ 二进制特征
        • ⇅ 数值特征
        • ⇅ 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
      • 默认设置
      • Combiner
      • Trainer
      • 超参数优化
      • 后端
    • 💡 示例
        • 用于分类的微调
        • 对 llama-2-7b 进行指令微调
        • 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)
        • 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 进行欺诈检测
        • 情感分析
        • 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 网络进行一次性学习
        • 视觉问答
        • 口语数字语音识别
        • 说话人识别
        • 二分类 (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
      • 如何贡献
      • 代码库结构
      • Ludwig API 保证
      • 添加编码器
      • 添加组合器
      • 添加解码器
      • 添加特征类型
      • 添加指标
      • 添加损失函数
      • 添加分词器
      • 添加超参数优化算法
      • 添加预训练模型
      • 添加集成
      • 添加数据集
      • 代码风格指南与测试
      • 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

    入门

    欢迎来到 Ludwig 的入门指南。

    本文将使用 Rotten Tomatoes 数据集(一个包含多种特征类型和二元目标的 CSV 文件)来介绍完整的工作流程。

    • 安装
    • 数据集准备
    • 训练
    • 预测与评估
    • 超参数优化
    • 服务部署
    • 在 Ray 上进行分布式训练

    其他涵盖的主题

    • LLM 微调
    • 使用 Docker 运行 Ludwig
    上一页 Ludwig
    下一页 安装
    版权所有 © 2018 - 2020 Uber Technologies Inc., 2021 - 2022 Linux Foundation Data & AI
    网站由 w4nderlust 制作,由 MkDocs、Material for MkDocs、styleshout 和 cables 提供支持。