course/pr_1069/es/_app/immutable/nodes/10.bf856292.js

import{s as I,n as J,o as N}from"../chunks/scheduler.37c15a92.js";import{S as Q,i as V,g as r,s as n,r as U,A as W,h as i,f as a,c as s,j as Y,x as b,u as k,k as G,y as X,a as o,v as K,d as O,t as D,w as F}from"../chunks/index.2bf4358c.js";import{Y as Z}from"../chunks/Youtube.1e50a667.js";import{E as ee}from"../chunks/getInferenceSnippets.b37612c0.js";function te(j){let l,g,x,$,c,H="# Modelos secuencia a secuencia",w,m,C,d,A="Los modelos codificador/decodificador (también llamados <em>modelos secuencia a secuencia</em>) usan ambas partes de la arquitectura del Transformador. En cada etapa, las capas de atención del codificador pueden acceder a todas las palabras de la secuencia inicial, mientras que las capas de atención del decodificador sólo pueden acceder a las palabras que se ubican antes de una palabra dada en el texto de entrada.",P,u,z='El preentrenamiento de estos modelos se puede hacer usando los objetivos de los modelos de codificadores o decodificadores, pero usualmente implican algo más complejo. Por ejemplo, <a href="https://huggingface.co/t5-base" rel="nofollow">T5</a> está preentrenado al reemplazar segmentos aleatorios de texto (que pueden contener varias palabras) con una palabra especial que las oculta, y el objetivo es predecir el texto que esta palabra reemplaza.',T,p,R="Los modelos secuencia a secuencia son más adecuados para tareas relacionadas con la generación de nuevas oraciones dependiendo de una entrada dada, como resumir, traducir o responder generativamente preguntas.",E,f,S="Algunos miembros de esta familia de modelos son:",L,h,B='<li><a href="https://huggingface.co/transformers/model_doc/bart.html" rel="nofollow">BART</a></li> <li><a href="https://huggingface.co/transformers/model_doc/mbart.html" rel="nofollow">mBART</a></li> <li><a href="https://huggingface.co/transformers/model_doc/marian.html" rel="nofollow">Marian</a></li> <li><a href="https://huggingface.co/transformers/model_doc/t5.html" rel="nofollow">T5</a></li>',M,_,y,v,q;return m=new Z({props:{id:"0_4KEb08xrE"}}),_=new ee({props:{source:"https://github.com/huggingface/course/blob/main/chapters/es/chapter1/7.mdx"}}),{c(){l=r("meta"),g=n(),x=r("p"),$=n(),c=r("p"),c.textContent=H,w=n(),U(m.$$.fragment),C=n(),d=r("p"),d.innerHTML=A,P=n(),u=r("p"),u.innerHTML=z,T=n(),p=r("p"),p.textContent=R,E=n(),f=r("p"),f.textContent=S,L=n(),h=r("ul"),h.innerHTML=B,M=n(),U(_.$$.fragment),y=n(),v=r("p"),this.h()},l(e){const t=W("svelte-u9bgzb",document.head);l=i(t,"META",{name:!0,content:!0}),t.forEach(a),g=s(e),x=i(e,"P",{}),Y(x).forEach(a),$=s(e),c=i(e,"P",{"data-svelte-h":!0}),b(c)!=="svelte-qpxf01"&&(c.textContent=H),w=s(e),k(m.$$.fragment,e),C=s(e),d=i(e,"P",{"data-svelte-h":!0}),b(d)!=="svelte-j9fypa"&&(d.innerHTML=A),P=s(e),u=i(e,"P",{"data-svelte-h":!0}),b(u)!=="svelte-1yaxgjp"&&(u.innerHTML=z),T=s(e),p=i(e,"P",{"data-svelte-h":!0}),b(p)!=="svelte-r14arb"&&(p.textContent=R),E=s(e),f=i(e,"P",{"data-svelte-h":!0}),b(f)!=="svelte-10w8ozo"&&(f.textContent=S),L=s(e),h=i(e,"UL",{"data-svelte-h":!0}),b(h)!=="svelte-1lyffe"&&(h.innerHTML=B),M=s(e),k(_.$$.fragment,e),y=s(e),v=i(e,"P",{}),Y(v).forEach(a),this.h()},h(){G(l,"name","hf:doc:metadata"),G(l,"content",ae)},m(e,t){X(document.head,l),o(e,g,t),o(e,x,t),o(e,$,t),o(e,c,t),o(e,w,t),K(m,e,t),o(e,C,t),o(e,d,t),o(e,P,t),o(e,u,t),o(e,T,t),o(e,p,t),o(e,E,t),o(e,f,t),o(e,L,t),o(e,h,t),o(e,M,t),K(_,e,t),o(e,y,t),o(e,v,t),q=!0},p:J,i(e){q||(O(m.$$.fragment,e),O(_.$$.fragment,e),q=!0)},o(e){D(m.$$.fragment,e),D(_.$$.fragment,e),q=!1},d(e){e&&(a(g),a(x),a($),a(c),a(w),a(C),a(d),a(P),a(u),a(T),a(p),a(E),a(f),a(L),a(h),a(M),a(y),a(v)),a(l),F(m,e),F(_,e)}}}const ae="undefined";function oe(j){return N(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ie extends Q{constructor(l){super(),V(this,l,oe,te,I,{})}}export{ie as component};