course/pr_1021/th/_app/immutable/nodes/4.f7dd7230.js

import{s as _e,n as ve,o as Ve}from"../chunks/scheduler.37c15a92.js";import{S as ze,i as He,g as P,s as r,r as a,A as Fe,h as K,f as n,c as l,j as Ge,u as s,x as Ze,k as Ie,y as Ee,a as i,v as p,d as $,t as m,w as f}from"../chunks/index.2bf4358c.js";import{C as je}from"../chunks/CodeBlock.4e987730.js";import{C as Re}from"../chunks/CourseFloatingBanner.6add7356.js";import{Q as u}from"../chunks/Question.668688bc.js";import{H as g,E as Se}from"../chunks/getInferenceSnippets.ebf8be91.js";function Ye(ke){let o,X,Q,A,c,L,x,D,y,We="บทนี้พูดถึงพื้นฐานค่อนข้างเยอะมาก ไม่ต้องกังวลไปหากคุณไม่เข้าใจรายละเอียดทั้งหมด บทหน้าจะช่วยอธิบายว่าแต่ละอย่างทำงานกันเบื้องหลังอย่างไร",O,b,Ce="ตอนนี้มาทดสอบกันดีกว่าว่าคุณได้เรียนรู้อะไรมาบ้างในบทนี้!",ee,w,te,h,ne,T,ie,d,re,M,le,J,ae,q,se,U,pe,B,$e,j,me,k,fe,W,ge,C,ue,G,oe,Z,ce,I,xe,_,ye,v,be,V,we,z,he,H,Te,F,de,E,Me,R,Je,S,qe,Y,Ue,N,Be;return c=new g({props:{title:"คำถามท้ายบท",local:"คำถามทายบท",headingTag:"h1"}}),x=new Re({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),w=new g({props:{title:"1. เปิดหา checkpoint roberta-large-mnli ใน Hub โมเดลนี้ใช้ในงานอะไร",local:"1-เปดหา-checkpoint-roberta-large-mnli-ใน-hub-โมเดลนใชในงานอะไร",headingTag:"h3"}}),h=new u({props:{choices:[{text:"การสรุปความ",explain:'โปรดดูที่<a href="https://huggingface.co/roberta-large-mnli">หน้าเพจ roberta-large-mnli</a>อีกครั้ง'},{text:"การแยกแยะข้อความ",explain:"โมเดลนี้แยกแยะว่าประโยคสองประโยคนั้นเข้าข่ายกรณีใดดังต่อไปนี้ (หักล้างกัน, กลาง, ส่งเสริมกัน) หรือเรียกอีกชื่อหนึ่งว่า<em>การอนุมาน</em>",correct:!0},{text:"การสร้างข้อความ",explain:'โปรดดูที่<a href="https://huggingface.co/roberta-large-mnli">หน้าเพจ roberta-large-mnli</a>อีกครั้ง'}]}}),T=new g({props:{title:"2. โค้ดต่อไปนี้ให้ผลลัพธ์ว่าอย่างไร?",local:"2-โคดตอไปนใหผลลพธวาอยางไร",headingTag:"h3"}}),d=new je({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBbmVyJTIwJTNEJTIwcGlwZWxpbmUoJTIybmVyJTIyJTJDJTIwZ3JvdXBlZF9lbnRpdGllcyUzRFRydWUpJTBBbmVyKCUyMk15JTIwbmFtZSUyMGlzJTIwU3lsdmFpbiUyMGFuZCUyMEklMjB3b3JrJTIwYXQlMjBIdWdnaW5nJTIwRmFjZSUyMGluJTIwQnJvb2tseW4uJTIyKQ==",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

ner = pipeline(<span class="hljs-string">&quot;ner&quot;</span>, grouped_entities=<span class="hljs-literal">True</span>)
ner(<span class="hljs-string">&quot;My name is Sylvain and I work at Hugging Face in Brooklyn.&quot;</span>)`,wrap:!1}}),M=new u({props:{choices:[{text:'ได้ผลออกมาเป็นคะแนนระบุว่าประโยคดังกล่าวเป็นข้อความ "ด้านบวก" หรือ "ด้านลบ" ',explain:"ข้อนี้ผิด — ผลลัพธ์นี้ได้จาก pipeline <code>sentiment-analysis</code>"},{text:"ได้ผลออกมาเป็นข้อความที่ทำให้ประโยคสมบูรณ์",explain:"ข้อนี้ผิด — ผลลัพธ์นี้ได้จาก pipeline <code>text-generation</code>"},{text:"ได้ผลออกมาระบุว่าคำใดเป็นบุคคล, องค์กร, หรือสถานที่",explain:'หากตั้งค่าว่า <code>grouped_entities=True</code> จะสามารถรวมคำหลายคำที่ระบุสิ่งเดียวกันไว้ได้ เช่น "Hugging Face" ประกอบด้วยคำสองคำ แต่ระบุถึงสิ่งสิ่งเดียว',correct:!0}]}}),J=new g({props:{title:"3. เราควรแทนค่า … ในโค้ดด้านล่างว่าอะไร?",local:"3-เราควรแทนคา--ในโคดดานลางวาอะไร",headingTag:"h3"}}),q=new je({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBZmlsbGVyJTIwJTNEJTIwcGlwZWxpbmUoJTIyZmlsbC1tYXNrJTIyJTJDJTIwbW9kZWwlM0QlMjJiZXJ0LWJhc2UtY2FzZWQlMjIpJTBBcmVzdWx0JTIwJTNEJTIwZmlsbGVyKCUyMi4uLiUyMik=",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

filler = pipeline(<span class="hljs-string">&quot;fill-mask&quot;</span>, model=<span class="hljs-string">&quot;bert-base-cased&quot;</span>)
result = filler(<span class="hljs-string">&quot;...&quot;</span>)`,wrap:!1}}),U=new u({props:{choices:[{text:"This &#60;mask> has been waiting for you.",explain:"ข้อนี้ผิด โปรดดูรายละเอียดของโมเดล <code>bert-base-cased</code> แล้วลองตรวจสอบว่าทำผิดตรงไหนไป"},{text:"This [MASK] has been waiting for you.",explain:"ถูกต้อง! โมเดลนี้ เว้นช่องว่างด้วยโทเคน [MASK]",correct:!0},{text:"This man has been waiting for you.",explain:"ข้อนี้ผิด pipeline ระบุว่าทำงาน `fill-mask` ซึ่งก็คือการเติมคำในช่องว่าง แต่ไม่มีโทเคนใดระบุช่องว่างในประโยคเลย"}]}}),B=new g({props:{title:"4. ทำไมโค้ดด้านล่างรันไม่ออก?",local:"4-ทำไมโคดดานลางรนไมออก",headingTag:"h3"}}),j=new je({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBY2xhc3NpZmllciUyMCUzRCUyMHBpcGVsaW5lKCUyMnplcm8tc2hvdC1jbGFzc2lmaWNhdGlvbiUyMiklMEFyZXN1bHQlMjAlM0QlMjBjbGFzc2lmaWVyKCUyMlRoaXMlMjBpcyUyMGElMjBjb3Vyc2UlMjBhYm91dCUyMHRoZSUyMFRyYW5zZm9ybWVycyUyMGxpYnJhcnklMjIp",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

classifier = pipeline(<span class="hljs-string">&quot;zero-shot-classification&quot;</span>)
result = classifier(<span class="hljs-string">&quot;This is a course about the Transformers library&quot;</span>)`,wrap:!1}}),k=new u({props:{choices:[{text:"pipline นี้ต้องการระบุ label เพื่อใช้ในการแยกแยะประโยค",explain:"ถูกต้อง โค้ดที่รันออกจะต้องเพิ่ม <code>candidate_labels=[...]</code> เข้าไปด้วย",correct:!0},{text:"pipeline นี้ต้องการประโยค input มากกว่าหนึ่งประโยค",explain:"ข้อนี้ผิด ถึงแม้ว่าความจริงแล้วจะสามารถใส่ประโยคหลายประโยคเป็น list เข้าไปเป็น input เพื่อรันได้(เหมือน pipeline อื่น ๆ)"},{text:"library 🤗 Transformers พังแบบงง ๆ เหมือนทุกทีน่ะแหละ",explain:"ขออนุญาตงดแสดงความคิดเห็นกับคนเลือกข้อนี้นะ"},{text:"pipeline นี้ต้องการประโยค input ที่ยาวกว่านี้ ประโยคนี้สั้นเกินไป",explain:"ข้อนี้ผิด และหากใส่ประโยคที่ยาวเกินไปใน pipeline นี้ก็จะโดนตัดให้สั้นลงอยู่ดี"}]}}),W=new g({props:{title:"5. “transfer learning” (การเรียนรู้แบบส่งต่อ) หมายความว่าอย่างไร?",local:"5-transfer-learning-การเรยนรแบบสงตอ-หมายความวาอยางไร",headingTag:"h3"}}),C=new u({props:{choices:[{text:"ส่งต่อความรู้จาก pretrain model ไปยังโมเดลใหม่โดยเทรนกับข้อมูลเดิม",explain:"ข้อนี้ผิด หากทำแบบนี้ก็จะเป็นการสร้างโมเดลเดิมสองครั้ง"},{text:"ส่งต่อความรู้จาก pretrain model ไปยังโมเดลใหม่โดยโมเดลใหม่นี้จะเริ่มต้นการเทรนจาก weight ของโมเดลแรก",explain:"ถูกต้อง พอเราเริ่มเทรนโมเดลกับงานใหม่ ความรู้จะถูก*ส่งต่อ*มาจากจากโมเดลแรก",correct:!0},{text:"ส่งต่อความรู้จาก pretrain model ไปยังโมเดลใหม่โดยสร้างโมเดลใหม่ด้วยสถาปัตยกรรมเดียวกับโมเดลแรก",explain:"สถาปัตยกรรมเป็นเพียงวิธีการสร้างโมเดล ไม่มีความรู้ใด ๆ รวมอยู่ข้างใน"}]}}),G=new g({props:{title:"6. ประโยคต่อไปนี้ถูกหรือผิด? โมเดลบริบทภาษาเป็นการเทรนล่วงหน้าที่ไม่ต้องการ label ในการเทรน",local:"6-ประโยคตอไปนถกหรอผด-โมเดลบรบทภาษาเปนการเทรนลวงหนาทไมตองการ-label-ในการเทรน",headingTag:"h3"}}),Z=new u({props:{choices:[{text:"ถูก",explain:"การเทรนล่วงหน้านั้นส่วนใหญ่จะเป็นการ <em>self-supervise</em> นั่นคือ label จะถูกสร้างขึ้นอัตโนมัติจาก input เอง (เช่นการทำนายคำต่อไปในข้อความ หรือเติมคำในช่องว่าง)",correct:!0},{text:"ผิด",explain:"คำตอบนี้ผิด"}]}}),I=new g({props:{title:"7. โปรดเลือกประโยคที่อธิบายคำว่า “model”, “architecture” และ “weight” ได้อย่างถูกต้อง”",local:"7-โปรดเลอกประโยคทอธบายคำวา-model-architecture-และ-weight-ไดอยางถกตอง",headingTag:"h3"}}),_=new u({props:{choices:[{text:"หากเปรียบ model เป็นตึก architecture ก็เป็นแผนผัง และ weight ก็เป็นผู้คนด้านใน",explain:"หากเทียบตามคำเปรียบเปรยนี้ weight ควรจะเป็นอิฐหรือวัสดุอื่น ๆ ในการสร้างตึกมากกว่า"},{text:"หากเปรียบ architecture เป็นแผนที่ในการสร้าง model ค่า weight แต่ละค่าก็เป็นเหมือนเมืองต่าง ๆ ในแผนที่",explain:"ข้อนี้เปรียบเทียบได้ไม่ถูกต้องเท่าไหร่ เพราะว่าจะมีเพียงเมืองเดียวที่อยู่บนแผนที่ที่ตำแหน่งเดียวกัน (ตัวอย่างเช่น มีเมืองเพียงเมืองเดียวในฝรั่งเศสที่ชื่อปารีส) สำหรับ architecture ใด ๆ ค่าชุด weight สามารถตั้งค่าหลากหลายแตกต่างกันได้"},{text:"architecture คือฟังก์ชันทางคณิตศาสตร์ที่ใช้ในการสร้าง model โดย weight ก็คือค่าคงที่ที่ใช้ในฟังก์ชันเหล่านั้น",explain:"ฟังก์ชันทางคณิตศาสตร์ชุดเดิม (architecture) สามารถใช้ในการสร้าง model ต่าง ๆ กันได้โดยใช้ค่าคงที่ (weight) ที่แตกต่างกัน",correct:!0}]}}),v=new g({props:{title:"8. โมเดลใดต่อไปนี้เหมาะสมในการใช้สำหรับงานสร้างคำที่หายไปในประโยค?",local:"8-โมเดลใดตอไปนเหมาะสมในการใชสำหรบงานสรางคำทหายไปในประโยค",headingTag:"h3"}}),V=new u({props:{choices:[{text:"โมเดล encoder",explain:"โมเดล encoder สร้างตัวแทนของประโยคทั้งประโยค เหมาะสำหรับงานเช่น การแยกแยะประเภทของประโยค"},{text:"โมเดล decoder",explain:"โมเดล decoder เหมาะสำหรับงานสร้างคำที่หายไปจากข้อความในประโยคมากที่สุด",correct:!0},{text:"โมเดล sequence-to-sequence",explain:"โมเดล sequence-to-sequence เหมาะสำหรับงานที่ต้องการสร้างประโยคที่มีความสัมพันธ์กับประโยคที่ใส่เข้ามา ไม่ใช่แค่คำบางคำจากในประโยค"}]}}),z=new g({props:{title:"9. โมเดลประเภทใดต่อไปนี้เหมาะสำหรับงานในการสรุปความ?",local:"9-โมเดลประเภทใดตอไปนเหมาะสำหรบงานในการสรปความ",headingTag:"h3"}}),H=new u({props:{choices:[{text:"โมเดล encoder",explain:"โมเดล encoder สร้างตัวแทนของประโยคทั้งประโยค เหมาะสำหรับงานเช่น การแยกแยะประเภทของประโยค"},{text:"โมเดล decoder",explain:"โมเดล decoder สามารถใช้ในการสร้างข้อความได้ (เช่น ข้อความสรุป) แต่โมเดลนี้ไม่สามารถเข้าใจข้อความทั้งหมดเพื่อทำการสรุปได้"},{text:"โมเดล sequence-to-sequence",explain:"โมเดล sequence-to-sequence เหมาะสำหรับงานสรุปความที่สุด",correct:!0}]}}),F=new g({props:{title:"10. โมเดลประเภทใดต่อไปนี้เหมาะสำหรับงานในการแยกแยะประเภทประโยคตาม label ที่กำหนดให้?",local:"10-โมเดลประเภทใดตอไปนเหมาะสำหรบงานในการแยกแยะประเภทประโยคตาม-label-ทกำหนดให",headingTag:"h3"}}),E=new u({props:{choices:[{text:"โมเดล encoder",explain:"โมเดล encoder สร้างตัวแทนของประโยคทั้งประโยค เหมาะสำหรับงานเช่น การแยกแยะประเภทของประโยคแบบนี้ที่สุด",correct:!0},{text:"โมเดล decoder",explain:"โมเดล decoder เหมาะสำหรับงานในการสร้างข้อความ ไม่เหมาะสำหรับการสกัด label ออกจากประโยคแบบนี้"},{text:"โมเดล sequence-to-sequence",explain:"โมเดล sequence-to-sequence เหมาะสำหรับงานที่คุณต้องการสร้างข้อความจากประโยค input ไม่ใช่จาก label"}]}}),R=new g({props:{title:"11. อคติของโมเดลสามารถเกิดได้จากข้อใดต่อไปนี้ได้บ้าง?",local:"11-อคตของโมเดลสามารถเกดไดจากขอใดตอไปนไดบาง",headingTag:"h3"}}),S=new u({props:{choices:[{text:"fine-tune โมเดลมาจากโมเดล pretrain ทำให้โมเดลที่ fine-tune นั้นรับอคติมาจากโมเดล pretrain",explain:"เมื่อคุณใช้งาน transfer learning อคติจากโมเดล pretrain จะส่งต่อไปยังโมเดลที่ fine-tune",correct:!0},{text:"ข้อมูลที่ใช้เทรนโมเดลเป็นข้อมูลที่มีอคติปนอยู่",explain:"ข้อนี้เป็นแหล่งกำเนิดอคติที่ชัดที่สุด แต่ว่าไม่ได้มีข้อนี้ข้อเดียว",correct:!0},{text:"metric ที่ใช้วัดระหว่างการ optimize มีอคติปนอยู่",explain:"ข้อนี้อาจดูไม่เหมือนว่าจะทำให้เกิดอคติในโมเดล แต่ว่าโมเดลของคุณจะปรับปรุงตัวเองไปเรื่อย ๆ ระหว่างเทรนตาม metric ที่เราเลือกโดยไม่มีการคิดซ้ำอีกครั้ง",correct:!0}]}}),Y=new Se({props:{source:"https://github.com/huggingface/course/blob/main/chapters/th/chapter1/10.mdx"}}),{c(){o=P("meta"),X=r(),Q=P("p"),A=r(),a(c.$$.fragment),L=r(),a(x.$$.fragment),D=r(),y=P("p"),y.textContent=We,O=r(),b=P("p"),b.textContent=Ce,ee=r(),a(w.$$.fragment),te=r(),a(h.$$.fragment),ne=r(),a(T.$$.fragment),ie=r(),a(d.$$.fragment),re=r(),a(M.$$.fragment),le=r(),a(J.$$.fragment),ae=r(),a(q.$$.fragment),se=r(),a(U.$$.fragment),pe=r(),a(B.$$.fragment),$e=r(),a(j.$$.fragment),me=r(),a(k.$$.fragment),fe=r(),a(W.$$.fragment),ge=r(),a(C.$$.fragment),ue=r(),a(G.$$.fragment),oe=r(),a(Z.$$.fragment),ce=r(),a(I.$$.fragment),xe=r(),a(_.$$.fragment),ye=r(),a(v.$$.fragment),be=r(),a(V.$$.fragment),we=r(),a(z.$$.fragment),he=r(),a(H.$$.fragment),Te=r(),a(F.$$.fragment),de=r(),a(E.$$.fragment),Me=r(),a(R.$$.fragment),Je=r(),a(S.$$.fragment),qe=r(),a(Y.$$.fragment),Ue=r(),N=P("p"),this.h()},l(e){const t=Fe("svelte-u9bgzb",document.head);o=K(t,"META",{name:!0,content:!0}),t.forEach(n),X=l(e),Q=K(e,"P",{}),Ge(Q).forEach(n),A=l(e),s(c.$$.fragment,e),L=l(e),s(x.$$.fragment,e),D=l(e),y=K(e,"P",{"data-svelte-h":!0}),Ze(y)!=="svelte-1psunfo"&&(y.textContent=We),O=l(e),b=K(e,"P",{"data-svelte-h":!0}),Ze(b)!=="svelte-rwbbde"&&(b.textContent=Ce),ee=l(e),s(w.$$.fragment,e),te=l(e),s(h.$$.fragment,e),ne=l(e),s(T.$$.fragment,e),ie=l(e),s(d.$$.fragment,e),re=l(e),s(M.$$.fragment,e),le=l(e),s(J.$$.fragment,e),ae=l(e),s(q.$$.fragment,e),se=l(e),s(U.$$.fragment,e),pe=l(e),s(B.$$.fragment,e),$e=l(e),s(j.$$.fragment,e),me=l(e),s(k.$$.fragment,e),fe=l(e),s(W.$$.fragment,e),ge=l(e),s(C.$$.fragment,e),ue=l(e),s(G.$$.fragment,e),oe=l(e),s(Z.$$.fragment,e),ce=l(e),s(I.$$.fragment,e),xe=l(e),s(_.$$.fragment,e),ye=l(e),s(v.$$.fragment,e),be=l(e),s(V.$$.fragment,e),we=l(e),s(z.$$.fragment,e),he=l(e),s(H.$$.fragment,e),Te=l(e),s(F.$$.fragment,e),de=l(e),s(E.$$.fragment,e),Me=l(e),s(R.$$.fragment,e),Je=l(e),s(S.$$.fragment,e),qe=l(e),s(Y.$$.fragment,e),Ue=l(e),N=K(e,"P",{}),Ge(N).forEach(n),this.h()},h(){Ie(o,"name","hf:doc:metadata"),Ie(o,"content",Qe)},m(e,t){Ee(document.head,o),i(e,X,t),i(e,Q,t),i(e,A,t),p(c,e,t),i(e,L,t),p(x,e,t),i(e,D,t),i(e,y,t),i(e,O,t),i(e,b,t),i(e,ee,t),p(w,e,t),i(e,te,t),p(h,e,t),i(e,ne,t),p(T,e,t),i(e,ie,t),p(d,e,t),i(e,re,t),p(M,e,t),i(e,le,t),p(J,e,t),i(e,ae,t),p(q,e,t),i(e,se,t),p(U,e,t),i(e,pe,t),p(B,e,t),i(e,$e,t),p(j,e,t),i(e,me,t),p(k,e,t),i(e,fe,t),p(W,e,t),i(e,ge,t),p(C,e,t),i(e,ue,t),p(G,e,t),i(e,oe,t),p(Z,e,t),i(e,ce,t),p(I,e,t),i(e,xe,t),p(_,e,t),i(e,ye,t),p(v,e,t),i(e,be,t),p(V,e,t),i(e,we,t),p(z,e,t),i(e,he,t),p(H,e,t),i(e,Te,t),p(F,e,t),i(e,de,t),p(E,e,t),i(e,Me,t),p(R,e,t),i(e,Je,t),p(S,e,t),i(e,qe,t),p(Y,e,t),i(e,Ue,t),i(e,N,t),Be=!0},p:ve,i(e){Be||($(c.$$.fragment,e),$(x.$$.fragment,e),$(w.$$.fragment,e),$(h.$$.fragment,e),$(T.$$.fragment,e),$(d.$$.fragment,e),$(M.$$.fragment,e),$(J.$$.fragment,e),$(q.$$.fragment,e),$(U.$$.fragment,e),$(B.$$.fragment,e),$(j.$$.fragment,e),$(k.$$.fragment,e),$(W.$$.fragment,e),$(C.$$.fragment,e),$(G.$$.fragment,e),$(Z.$$.fragment,e),$(I.$$.fragment,e),$(_.$$.fragment,e),$(v.$$.fragment,e),$(V.$$.fragment,e),$(z.$$.fragment,e),$(H.$$.fragment,e),$(F.$$.fragment,e),$(E.$$.fragment,e),$(R.$$.fragment,e),$(S.$$.fragment,e),$(Y.$$.fragment,e),Be=!0)},o(e){m(c.$$.fragment,e),m(x.$$.fragment,e),m(w.$$.fragment,e),m(h.$$.fragment,e),m(T.$$.fragment,e),m(d.$$.fragment,e),m(M.$$.fragment,e),m(J.$$.fragment,e),m(q.$$.fragment,e),m(U.$$.fragment,e),m(B.$$.fragment,e),m(j.$$.fragment,e),m(k.$$.fragment,e),m(W.$$.fragment,e),m(C.$$.fragment,e),m(G.$$.fragment,e),m(Z.$$.fragment,e),m(I.$$.fragment,e),m(_.$$.fragment,e),m(v.$$.fragment,e),m(V.$$.fragment,e),m(z.$$.fragment,e),m(H.$$.fragment,e),m(F.$$.fragment,e),m(E.$$.fragment,e),m(R.$$.fragment,e),m(S.$$.fragment,e),m(Y.$$.fragment,e),Be=!1},d(e){e&&(n(X),n(Q),n(A),n(L),n(D),n(y),n(O),n(b),n(ee),n(te),n(ne),n(ie),n(re),n(le),n(ae),n(se),n(pe),n($e),n(me),n(fe),n(ge),n(ue),n(oe),n(ce),n(xe),n(ye),n(be),n(we),n(he),n(Te),n(de),n(Me),n(Je),n(qe),n(Ue),n(N)),n(o),f(c,e),f(x,e),f(w,e),f(h,e),f(T,e),f(d,e),f(M,e),f(J,e),f(q,e),f(U,e),f(B,e),f(j,e),f(k,e),f(W,e),f(C,e),f(G,e),f(Z,e),f(I,e),f(_,e),f(v,e),f(V,e),f(z,e),f(H,e),f(F,e),f(E,e),f(R,e),f(S,e),f(Y,e)}}}const Qe='{"title":"คำถามท้ายบท","local":"คำถามทายบท","sections":[{"title":"1. เปิดหา checkpoint roberta-large-mnli ใน Hub โมเดลนี้ใช้ในงานอะไร","local":"1-เปดหา-checkpoint-roberta-large-mnli-ใน-hub-โมเดลนใชในงานอะไร","sections":[],"depth":3},{"title":"2. โค้ดต่อไปนี้ให้ผลลัพธ์ว่าอย่างไร?","local":"2-โคดตอไปนใหผลลพธวาอยางไร","sections":[],"depth":3},{"title":"3. เราควรแทนค่า … ในโค้ดด้านล่างว่าอะไร?","local":"3-เราควรแทนคา--ในโคดดานลางวาอะไร","sections":[],"depth":3},{"title":"4. ทำไมโค้ดด้านล่างรันไม่ออก?","local":"4-ทำไมโคดดานลางรนไมออก","sections":[],"depth":3},{"title":"5. “transfer learning” (การเรียนรู้แบบส่งต่อ) หมายความว่าอย่างไร?","local":"5-transfer-learning-การเรยนรแบบสงตอ-หมายความวาอยางไร","sections":[],"depth":3},{"title":"6. ประโยคต่อไปนี้ถูกหรือผิด? โมเดลบริบทภาษาเป็นการเทรนล่วงหน้าที่ไม่ต้องการ label ในการเทรน","local":"6-ประโยคตอไปนถกหรอผด-โมเดลบรบทภาษาเปนการเทรนลวงหนาทไมตองการ-label-ในการเทรน","sections":[],"depth":3},{"title":"7. โปรดเลือกประโยคที่อธิบายคำว่า “model”, “architecture” และ “weight” ได้อย่างถูกต้อง”","local":"7-โปรดเลอกประโยคทอธบายคำวา-model-architecture-และ-weight-ไดอยางถกตอง","sections":[],"depth":3},{"title":"8. โมเดลใดต่อไปนี้เหมาะสมในการใช้สำหรับงานสร้างคำที่หายไปในประโยค?","local":"8-โมเดลใดตอไปนเหมาะสมในการใชสำหรบงานสรางคำทหายไปในประโยค","sections":[],"depth":3},{"title":"9. โมเดลประเภทใดต่อไปนี้เหมาะสำหรับงานในการสรุปความ?","local":"9-โมเดลประเภทใดตอไปนเหมาะสำหรบงานในการสรปความ","sections":[],"depth":3},{"title":"10. โมเดลประเภทใดต่อไปนี้เหมาะสำหรับงานในการแยกแยะประเภทประโยคตาม label ที่กำหนดให้?","local":"10-โมเดลประเภทใดตอไปนเหมาะสำหรบงานในการแยกแยะประเภทประโยคตาม-label-ทกำหนดให","sections":[],"depth":3},{"title":"11. อคติของโมเดลสามารถเกิดได้จากข้อใดต่อไปนี้ได้บ้าง?","local":"11-อคตของโมเดลสามารถเกดไดจากขอใดตอไปนไดบาง","sections":[],"depth":3}],"depth":1}';function Ne(ke){return Ve(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Oe extends ze{constructor(o){super(),He(this,o,Ne,Ye,_e,{})}}export{Oe as component};