course/pr_1021/fr/_app/immutable/nodes/12.d4cbc3f4.js

import{s as D,n as U,o as j}from"../chunks/scheduler.37c15a92.js";import{S as k,i as F,g as p,s,r as x,A as I,h as f,f as n,c as i,j as N,u as M,x as A,k as S,y as O,a,v as C,d as H,t as w,w as y}from"../chunks/index.2bf4358c.js";import{C as V}from"../chunks/CourseFloatingBanner.6add7356.js";import{H as X,E as J}from"../chunks/getInferenceSnippets.ebf8be91.js";function K(B){let r,T,h,v,o,b,m,_,u,q="Au cours de ce chapitre, vous avez vu comment approcher différents problèmes de NLP en utilisant la fonction <code>pipeline()</code> de la bibliothèque 🤗 <em>Transformers</em>. Vous avez également vu comment rechercher et utiliser des modèles dans le <em>Hub</em> ainsi que comment utiliser l’API d’inférence pour tester les modèles directement dans votre navigateur.",g,l,z="Nous avons pu aborder le fonctionnement des <em>transformers</em> de façon générale et parler de l’importance de l’apprentissage par transfert et du <em>finetuning</em>. Un point important est que vous pouvez utiliser l’architecture complète ou seulement l’encodeur ou le décodeur, selon le type de tâche que vous souhaitez résoudre. Le tableau suivant résume ceci :",E,d,G="<thead><tr><th>Modèle</th> <th>Exemples</th> <th>Tâches</th></tr></thead> <tbody><tr><td>Encodeur</td> <td>ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa</td> <td>Classification de phrase, reconnaissance d’entités nommées, extraction de question-réponse</td></tr> <tr><td>Décodeur</td> <td>CTRL, GPT, GPT-2, Transformer XL</td> <td>Génération de texte</td></tr> <tr><td>Encodeur-décodeur</td> <td>BART, T5, Marian, mBART</td> <td>Résumé, traduction, génération de question-réponse</td></tr></tbody>",L,c,R,$,P;return o=new X({props:{title:"Résumé du chapitre",local:"résumé-du-chapitre",headingTag:"h1"}}),m=new V({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),c=new J({props:{source:"https://github.com/huggingface/course/blob/main/chapters/fr/chapter1/9.mdx"}}),{c(){r=p("meta"),T=s(),h=p("p"),v=s(),x(o.$$.fragment),b=s(),x(m.$$.fragment),_=s(),u=p("p"),u.innerHTML=q,g=s(),l=p("p"),l.innerHTML=z,E=s(),d=p("table"),d.innerHTML=G,L=s(),x(c.$$.fragment),R=s(),$=p("p"),this.h()},l(e){const t=I("svelte-u9bgzb",document.head);r=f(t,"META",{name:!0,content:!0}),t.forEach(n),T=i(e),h=f(e,"P",{}),N(h).forEach(n),v=i(e),M(o.$$.fragment,e),b=i(e),M(m.$$.fragment,e),_=i(e),u=f(e,"P",{"data-svelte-h":!0}),A(u)!=="svelte-6ntzae"&&(u.innerHTML=q),g=i(e),l=f(e,"P",{"data-svelte-h":!0}),A(l)!=="svelte-d4lhf0"&&(l.innerHTML=z),E=i(e),d=f(e,"TABLE",{"data-svelte-h":!0}),A(d)!=="svelte-17lyt82"&&(d.innerHTML=G),L=i(e),M(c.$$.fragment,e),R=i(e),$=f(e,"P",{}),N($).forEach(n),this.h()},h(){S(r,"name","hf:doc:metadata"),S(r,"content",Q)},m(e,t){O(document.head,r),a(e,T,t),a(e,h,t),a(e,v,t),C(o,e,t),a(e,b,t),C(m,e,t),a(e,_,t),a(e,u,t),a(e,g,t),a(e,l,t),a(e,E,t),a(e,d,t),a(e,L,t),C(c,e,t),a(e,R,t),a(e,$,t),P=!0},p:U,i(e){P||(H(o.$$.fragment,e),H(m.$$.fragment,e),H(c.$$.fragment,e),P=!0)},o(e){w(o.$$.fragment,e),w(m.$$.fragment,e),w(c.$$.fragment,e),P=!1},d(e){e&&(n(T),n(h),n(v),n(b),n(_),n(u),n(g),n(l),n(E),n(d),n(L),n(R),n($)),n(r),y(o,e),y(m,e),y(c,e)}}}const Q='{"title":"Résumé du chapitre","local":"résumé-du-chapitre","sections":[],"depth":1}';function W(B){return j(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ne extends k{constructor(r){super(),F(this,r,W,K,D,{})}}export{ne as component};