course/pr_1007/pt/_app/immutable/nodes/13.f8fc416d.js

import{s as Z,o as ee,n as te}from"../chunks/scheduler.37c15a92.js";import{S as oe,i as ae,g as l,s as i,r as I,A as se,h as d,f as o,c as m,j as W,u as S,x as C,k as U,y as re,a,v as F,d as O,t as B,w as N,m as X,n as Y}from"../chunks/index.2bf4358c.js";import{T as ne}from"../chunks/Tip.363c041f.js";import{C as ie}from"../chunks/CourseFloatingBanner.6add7356.js";import{H as me,E as le}from"../chunks/getInferenceSnippets.1837c472.js";function de(M){let r,n,c="criar uma conta",u;return{c(){r=X("⚠️ Para beneficiar-se de todos os recursos disponíveis com o Model Hub e 🤗 Transformers, recomendamos  "),n=l("a"),n.textContent=c,u=X("."),this.h()},l(s){r=Y(s,"⚠️ Para beneficiar-se de todos os recursos disponíveis com o Model Hub e 🤗 Transformers, recomendamos  "),n=d(s,"A",{href:!0,"data-svelte-h":!0}),C(n)!=="svelte-1ddklsd"&&(n.textContent=c),u=Y(s,"."),this.h()},h(){U(n,"href","https://huggingface.co/join")},m(s,p){a(s,r,p),a(s,n,p),a(s,u,p)},p:te,d(s){s&&(o(r),o(n),o(u))}}}function ue(M){let r,n,c,u,s,p,v,q,$,D='Como você viu no <a href="/course/pt/chapter1">Capitulo 1</a>, normalmente modelos Transformers são muito grandes. Com milhões a dezenas de <em>bilhões</em> de parâmetros, o treinamento e o deploy destes modelos é uma tarefa complicado. Além disso, com novos modelos sendo lançados quase diariamente e cada um tendo sua própria implementação, experimentá-los a todos não é tarefa fácil.',L,h,G="A biblioteca 🤗 Transformers foi criado para resolver este problema. Seu objetivo é fornecer uma API única através do qual qualquer modelo Transformer possa ser carregado, treinado e salvo. As principais características da biblioteca são:",w,b,Q="<li><strong>Fácil de usar</strong>: Baixar, carregar e usar um modelo de processamento natural de linguagem (PNL) de última geração para inferência pode ser feito em apenas duas linhas de código</li> <li><strong>Flexibilidade</strong>: Em sua essência, todos os modelos são uma simples classe PyTorch <code>nn.Module</code> ou TensorFlow <code>tf.keras.Model</code> e podem ser tratadas como qualquer outro modelo em seus respectivos frameworks de machine learning (ML).</li> <li><strong>Simplicidade</strong>: Quase nenhuma abstração é feita em toda a biblioteca. O “Tudo em um arquivo” é um conceito principal: o “passe para frente” de um modelo é inteiramente definido em um único arquivo, de modo que o código em si seja compreensível e hackeável.</li>",H,g,R="Esta última característica torna 🤗 Transformers bem diferente de outras bibliotecas ML que modelos e/ou configurações são compartilhados entre arquivos; em vez disso, cada modelo tem suas próprias camadas. Além de tornar os modelos mais acessíveis e compreensíveis, isto permite que você experimente facilmente um modelo sem afetar outros.",A,x,J='Este capítulo começará com um exemplo de ponta a ponta onde usamos um modelo e um tokenizer juntos para replicar a função <code>pipeline()</code> introduzida no <a href="/course/pt/chapter1">Capitulo 1</a>. A seguir, discutiremos o modelo da API: onde veremos profundamente as classes de modelo e configuração, além de mostrar como carregar um modelo e como ele processa as entradas numéricas para as previsões de saída.',k,_,K="Depois veremos a API do tokenizer, que é o outro componente principal da função <code>pipeline()</code>. Os Tokenizers cuidam da primeira e da última etapa do processamento, cuidando da conversão de texto para entradas numéricas para a rede neural, e da conversão de volta ao texto quando for necessário. Por fim, mostraremos a você como lidar com o envio de várias frases através de um modelo em um batch preparado, depois olharemos tudo mais atentamente a função de alto nível <code>tokenizer()</code>.",z,f,E,T,j,P,y;return s=new me({props:{title:"Introdução",local:"introdução",headingTag:"h1"}}),v=new ie({props:{chapter:2,classNames:"absolute z-10 right-0 top-0"}}),f=new ne({props:{$$slots:{default:[de]},$$scope:{ctx:M}}}),T=new le({props:{source:"https://github.com/huggingface/course/blob/main/chapters/pt/chapter2/1.mdx"}}),{c(){r=l("meta"),n=i(),c=l("p"),u=i(),I(s.$$.fragment),p=i(),I(v.$$.fragment),q=i(),$=l("p"),$.innerHTML=D,L=i(),h=l("p"),h.textContent=G,w=i(),b=l("ul"),b.innerHTML=Q,H=i(),g=l("p"),g.textContent=R,A=i(),x=l("p"),x.innerHTML=J,k=i(),_=l("p"),_.innerHTML=K,z=i(),I(f.$$.fragment),E=i(),I(T.$$.fragment),j=i(),P=l("p"),this.h()},l(e){const t=se("svelte-u9bgzb",document.head);r=d(t,"META",{name:!0,content:!0}),t.forEach(o),n=m(e),c=d(e,"P",{}),W(c).forEach(o),u=m(e),S(s.$$.fragment,e),p=m(e),S(v.$$.fragment,e),q=m(e),$=d(e,"P",{"data-svelte-h":!0}),C($)!=="svelte-c3pttr"&&($.innerHTML=D),L=m(e),h=d(e,"P",{"data-svelte-h":!0}),C(h)!=="svelte-os35jr"&&(h.textContent=G),w=m(e),b=d(e,"UL",{"data-svelte-h":!0}),C(b)!=="svelte-3rdcaw"&&(b.innerHTML=Q),H=m(e),g=d(e,"P",{"data-svelte-h":!0}),C(g)!=="svelte-1kte5lt"&&(g.textContent=R),A=m(e),x=d(e,"P",{"data-svelte-h":!0}),C(x)!=="svelte-1phrh9c"&&(x.innerHTML=J),k=m(e),_=d(e,"P",{"data-svelte-h":!0}),C(_)!=="svelte-18943oc"&&(_.innerHTML=K),z=m(e),S(f.$$.fragment,e),E=m(e),S(T.$$.fragment,e),j=m(e),P=d(e,"P",{}),W(P).forEach(o),this.h()},h(){U(r,"name","hf:doc:metadata"),U(r,"content",ce)},m(e,t){re(document.head,r),a(e,n,t),a(e,c,t),a(e,u,t),F(s,e,t),a(e,p,t),F(v,e,t),a(e,q,t),a(e,$,t),a(e,L,t),a(e,h,t),a(e,w,t),a(e,b,t),a(e,H,t),a(e,g,t),a(e,A,t),a(e,x,t),a(e,k,t),a(e,_,t),a(e,z,t),F(f,e,t),a(e,E,t),F(T,e,t),a(e,j,t),a(e,P,t),y=!0},p(e,[t]){const V={};t&2&&(V.$$scope={dirty:t,ctx:e}),f.$set(V)},i(e){y||(O(s.$$.fragment,e),O(v.$$.fragment,e),O(f.$$.fragment,e),O(T.$$.fragment,e),y=!0)},o(e){B(s.$$.fragment,e),B(v.$$.fragment,e),B(f.$$.fragment,e),B(T.$$.fragment,e),y=!1},d(e){e&&(o(n),o(c),o(u),o(p),o(q),o($),o(L),o(h),o(w),o(b),o(H),o(g),o(A),o(x),o(k),o(_),o(z),o(E),o(j),o(P)),o(r),N(s,e),N(v,e),N(f,e),N(T,e)}}}const ce='{"title":"Introdução","local":"introdução","sections":[],"depth":1}';function pe(M){return ee(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ge extends oe{constructor(r){super(),ae(this,r,pe,ue,Z,{})}}export{ge as component};