Buckets:

download
raw
3.85 kB
import"../chunks/DsnmJJEf.js";import{i as _,h as z,C,H as P,E as T,s as x}from"../chunks/DVlE9Y_t.js";import{p as k,o as w,s as t,f as A,a as r,b as I,c as i,g as M,h as d,n as o,m as D}from"../chunks/D2kUtL-w.js";import{i as F}from"../chunks/BmnfoIg9.js";import{C as H}from"../chunks/CDBILFp-.js";import{F as L}from"../chunks/rwKEN8mv.js";const R='{"title":"Introducere","local":"introduction","sections":[],"depth":1}';var S=i('<meta name="hf:doc:metadata"/>'),y=i('<p>Pentru a face acest lucru, va trebui să valorificați tot ceea ce ați învățat despre API-ul <code>Trainer</code> și biblioteca 🤗 Accelerate în <a href="/course/chapter3">Capitolul 3</a>, biblioteca 🤗 Datasets în <a href="/course/chapter5">Capitolul 5</a> și biblioteca 🤗 Tokenizers în <a href="/course/chapter6">Capitolul 6</a>. De asemenea, vom încărca rezultatele noastre în Model Hub, așa cum am făcut în <a href="/course/chapter4">Capitolul 4</a>, astfel încât acesta este cu adevărat capitolul în care totul se unește!</p> <p>Fiecare secțiune poate fi citită independent și vă va arăta cum să antrenați un model cu API-ul <code>Trainer</code> sau cu propria buclă de antrenament, utilizând 🤗 Accelerate. Nu ezitați să săriți peste oricare dintre cele două părți și să vă concentrați pe cea care vă interesează cel mai mult: API-ul <code>Trainer</code> este excelent pentru fine-tuning sau antrenarea modelului vostru fără a vă face griji cu privire la ceea ce se întâmplă în spatele scenei, în timp ce bucla de antrenament cu <code>Accelerate</code> vă va permite să personalizați mai ușor orice parte doriți.</p>',1),E=i('<p>Pentru a face acest lucru, va trebui să valorificați tot ceea ce ați învățat despre API-ul <code>Trainer</code> și biblioteca 🤗 Accelerate în <a href="/course/chapter3">Capitolul 3</a>, biblioteca 🤗 Datasets în <a href="/course/chapter5">Capitolul 5</a> și biblioteca 🤗 Tokenizers în <a href="/course/chapter6">Capitolul 6</a>. De asemenea, vom încărca rezultatele noastre în Model Hub, așa cum am făcut în <a href="/course/chapter4">Capitolul 4</a>, astfel încât acesta este cu adevărat capitolul în care totul se unește!</p> <p>Fiecare secțiune poate fi citită independent.</p>',1),N=i('<p></p> <!> <!> <!> <!> <p>În <a href="/course/chapter3">Capitolul 3</a>, ați văzut cum să faceți fine-tune unui model pentru clasificarea textului. În acest capitol, vom aborda următoarele sarcini NLP:</p> <ul><li>Clasificarea tokenilor</li> <li>Masked language modeling (precum BERT)</li> <li>Sumarizare</li> <li>Traducere</li> <li>Preantrenare pentru <code>causal language modeling</code> (precum GPT-2)</li> <li>Răspunsul la întrebări</li></ul> <!> <blockquote class="tip"><p>Dacă citiți secțiunile în succesiune, veți observa că acestea au destul de mult cod și proză în comun. Repetarea este intenționată, pentru a vă permite să intrați (sau să reveniți mai târziu) la orice sarcină care vă interesează și să găsiți un exemplu.</p></blockquote> <!> <p></p>',1);function J(f,v){k(v,!1);let c=D("pt");w(()=>{const e=new URLSearchParams(window.location.search);M(c,e.get("fw")||"pt")}),_();var n=N();z("f1g1s7",e=>{var a=S();x(a,"content",R),r(e,a)});var l=t(A(n),2);L(l,{get fw(){return d(c)}});var s=t(l,2);C(s,{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"});var u=t(s,2);P(u,{title:"Introducere",local:"introduction",headingTag:"h1"});var p=t(u,2);H(p,{chapter:7,classNames:"absolute z-10 right-0 top-0"});var m=t(p,6);{var h=e=>{var a=y();o(2),r(e,a)},b=e=>{var a=E();o(2),r(e,a)};F(m,e=>{d(c)==="pt"?e(h):e(b,-1)})}var g=t(m,4);T(g,{source:"https://github.com/huggingface/course/blob/main/chapters/ro/chapter7/1.mdx"}),o(2),r(f,n),I()}export{J as component};

Xet Storage Details

Size:
3.85 kB
·
Xet hash:
2806d30be97bec64e034d545c60d800cfd12fe7011cfc13d0da4f3ff66157ecf

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.