course/pr_1069/ru/_app/immutable/nodes/4.7a7f1872.js

import{s as _e,n as ve,o as ze}from"../chunks/scheduler.37c15a92.js";import{S as Ve,i as He,g as P,s as $,r as a,A as Fe,h as K,f as n,c as i,j as Ze,u as l,x as Ie,k as ke,y as Ee,a as s,v as r,d as m,t as p,w as f}from"../chunks/index.2bf4358c.js";import{C as We}from"../chunks/CodeBlock.4e987730.js";import{C as Re}from"../chunks/CourseFloatingBanner.9ff4c771.js";import{Q as u}from"../chunks/Question.668688bc.js";import{H as g,E as Se}from"../chunks/getInferenceSnippets.24b50994.js";function Ye(Ce){let o,X,Q,A,x,L,y,D,c,Ge="В этой главе было много материала! Если вы чувствуете, что все еще всецело не познали все премудрости трансформеров - не переживайте! В следующих главах мы детально расскажем, как все устроено “под капотом”.",O,w,de="Сперва, однако, давайте проверим, что вы узнали в этой главе!",ee,b,te,T,ne,h,se,M,$e,J,ie,U,ae,q,le,B,re,j,me,W,pe,C,fe,G,ge,d,ue,Z,oe,I,xe,k,ye,_,ce,v,we,z,be,V,Te,H,he,F,Me,E,Je,R,Ue,S,qe,Y,Be,N,je;return x=new g({props:{title:"Тест в конце главы",local:"end-of-chapter-quiz",headingTag:"h1"}}),y=new Re({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),b=new g({props:{title:"1. Зайдите на Hub и найдите чекпоинт модели roberta-large-mnli . Какую задачу она решает?",local:"1-зайдите-на-hub-и-найдите-чекпоинт-модели-roberta-large-mnli--какую-задачу-она-решает",headingTag:"h3"}}),T=new u({props:{choices:[{text:"Автоматическое реферирование (саммаризация)",explain:'Посмотрите получше на <a href="https://huggingface.co/roberta-large-mnli">странице roberta-large-mnli</a>.'},{text:"Классификация текстов",explain:"В частности, модель определяет, являются ли два предложения логически связанными и присваивает одну из трех меток: противопоставление, нейтральная связь, импликация (англ. contradiction, neutral, entailment). Эта задача называется <em>автоматическое определение логической связи между текстами (англ. natural language inference)</em>.",correct:!0},{text:"Генерация текста",explain:'Посмотрите получше на <a href="https://huggingface.co/roberta-large-mnli">странице roberta-large-mnli</a>.'}]}}),h=new g({props:{title:"2. Какой будет результат выполнения данного кода?",local:"2-какой-будет-результат-выполнения-данного-кода",headingTag:"h3"}}),M=new We({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}}),J=new u({props:{choices:[{text:'Пайплайн вернет следующие метки классов для этого предложения: "positive" или "negative".',explain:"Неверно — для этого используется пайплайн <code>sentiment-analysis</code>."},{text:"Пайплайн вернет текст, сгенерированный на основе данного предложения.",explain:"Неверно — для этого используется пайплайн <code>text-generation</code>."},{text:"Пайплайн вернет слова, обозначающие персон, организаций или географических локаций.",explain:'Кроме того, с аргументом <code>grouped_entities=True</code>, пайплайн сгруппирует слова, принадлежащие одной и той же сущности, например, "Hugging Face".',correct:!0}]}}),U=new g({props:{title:"3. Чем нужно заменить … в данном коде?",local:"3-чем-нужно-заменить--в-данном-коде",headingTag:"h3"}}),q=new We({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}}),B=new u({props:{choices:[{text:"This &#60;mask> has been waiting for you.",explain:"Неверно. Прочитайте карточку модели <code>bert-base-cased</code> и попробуйте найти, где вы ошиблись."},{text:"This [MASK] has been waiting for you.",explain:"Верно! Токен-маска для этой модели - [MASK].",correct:!0},{text:"This man has been waiting for you.",explain:"Неверно. Этот пайплайн предсказывает замаскированный токен, а для этого нужно предоставить токен-маску."}]}}),j=new g({props:{title:"4. Почему этот код выдаст ошибку?",local:"4-почему-этот-код-выдаст-ошибку",headingTag:"h3"}}),W=new We({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}}),C=new u({props:{choices:[{text:"Этому пайплайну требуются метки классов.",explain:"Верно — правильный код должен содержать аргумент <code>candidate_labels=[...]</code>.",correct:!0},{text:"Этому пайплайну требуются несколько предложений, а не одно.",explain:"Неверно. Хотя, если использовать этот пайплайн правильно, он может принимать на вход массив предложений (как и все остальные пайплайны)."},{text:"Опять библиотека 🤗 Transformers не работает как положено.",explain:"Мы даже не будем комментировать этот ответ!"},{text:"Этому пайплайну требуются более длинные предложения - это слишком короткое.",explain:"Неверно. Однако, стоит отметить, что этот пайплайн обрежет очень длинный текст, для того, чтобы его корректно обработать."}]}}),G=new g({props:{title:"5. Что такое «трансферное обучение»?",local:"5-что-такое-трансферное-обучение",headingTag:"h3"}}),d=new u({props:{choices:[{text:"Передача знаний от предобученной модели к новой модели путем ее обучения на тех же данных.",explain:"Нет - результатом этого будут две версии той же самой модели."},{text:"Передача знаний от предобученной модели к новой модели путем инициализирования новой модели с весами предобученной.",explain:"Верно - когда новая модель будет обучена на новой задаче, она <em>получит</em> знания предобученной модели. Другими словами, предобученная модель <em>передаст</em> свои знания новой.",correct:!0},{text:"Передача знаний от предобученной модели к новой модели путем проектирования новой модели с той же самой архитектурой, что и у предобученной.",explain:"Архитектура - это лишь «скелет» модели; в этом случае никой передачи знаний не происходит."}]}}),Z=new g({props:{title:"6. Правда или ложь? Для предобучения языковой модели обычно не требуются метки классов.",local:"6-правда-или-ложь-для-предобучения-языковой-модели-обычно-не-требуются-метки-классов",headingTag:"h3"}}),I=new u({props:{choices:[{text:"Правда",explain:"Предобучение обычно <em>самостоятельно (англ. self-supervised)</em>. Это означает, что метки классов создаются автоматически на основе входных данных (например, предсказание следующего или замаскированного слова).",correct:!0},{text:"Ложь",explain:"Это неверный ответ."}]}}),k=new g({props:{title:"7. Выберите предложение, которое наилучшим способом описывает следующие термины: «модель», «архитектура» и «веса».",local:"7-выберите-предложение-которое-наилучшим-способом-описывает-следующие-термины-модель-архитектура-и-веса",headingTag:"h3"}}),_=new u({props:{choices:[{text:"Модель - это здание, ее архитектура - чертеж, а веса - люди, которые там живут.",explain:"Чтобы это сравнение было верным, веса должны быть кирпичами и другими материалами из которых построено здание."},{text:"Архитектура - это карта, по которой можно построить модель, а веса - это города на этой карте.",explain:"Проблема этого сравнения в том, что карта обычно отображает одну существующую реальность (во Франции только один город под названием Париж). В то время как одна и та же архитектура может быть заполнена разными наборами весов."},{text:"Архитектура - это последовательность математических функций для создания модели, а веса - параметры этих функций.",explain:"Один и тот же набор математических функций (архитектура) можно использовать для построения разных моделей, используя разные параметры (веса).",correct:!0}]}}),v=new g({props:{title:"8. Какую из этих моделей вы выберете для дополнения текста по введенной его части?",local:"8-какую-из-этих-моделей-вы-выберете-для-дополнения-текста-по-введенной-его-части",headingTag:"h3"}}),z=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что больше подходит для таких задач как классификация."},{text:"Декодировщик",explain:"Декодировщик идеально подходит для дополнения текста по введенной его части.",correct:!0},{text:"Кодировщик-декодировщик",explain:"Модели sequence-to-sequence больше подходят для задач, в которых вам нужно сгенерировать предложения, основываясь на входных предложениях целиком, а не на части текста, которую нужно продолжить."}]}}),V=new g({props:{title:"9. Какую из этих моделей вы выберете для автоматического реферирования?",local:"9-какую-из-этих-моделей-вы-выберете-для-автоматического-реферирования",headingTag:"h3"}}),H=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что больше подходит для таких задач как классификация."},{text:"Декодировщик",explain:"Декодировщих хорошо продходит для генерации текста (например, рефератов), но он не способен брать во внимание контекст (например, документ целиком) для реферирования."},{text:"Кодировщик-декодировщик",explain:"Кодировщик-декодировщик идеально подходит для задачи автоматического реферирования.",correct:!0}]}}),F=new g({props:{title:"10. Какую из этих моделей вы выберете для классификации текстов путем присвоения им определенных меток?",local:"10-какую-из-этих-моделей-вы-выберете-для-классификации-текстов-путем-присвоения-им-определенных-меток",headingTag:"h3"}}),E=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что идеально подходит для такой задачи, как классификация.",correct:!0},{text:"Декодировщик",explain:"Декодировщих хорошо подходит для генерации текста, а не для присвоения метки документу."},{text:"Кодировщик-декодировщик",explain:"Модели sequence-to-sequence больше подходят для задач, в которых вам нужно сгенерировать предложения, основываясь на входных предложениях целиком, а не для присвоения метки документу."}]}}),R=new g({props:{title:"11. Что может быть одной из причин предвзятости модели?",local:"11-что-может-быть-одной-из-причин-предвзятости-модели",headingTag:"h3"}}),S=new u({props:{choices:[{text:"Модель была дообучена на основе предобученной модели, которая содержала в себе предвзятость.",explain:"Используя трансферное обучение, предвзятость предобученной модели также передастся новой модели.",correct:!0},{text:"В обучающей выборке были тексты предвзятого содержания.",explain:"Это самый очевидный источник предвзятости, но далеко не единственный.",correct:!0},{text:"Метрика, выбранная для оптимизации модели, была склонна к предвзятости.",explain:"Менее очевидный источник предвзятости кроется в организации ее обучения. Модель будет слепо следовать выбранной метрике, так как она неспособна «задуматься» о ее корректности.",correct:!0}]}}),Y=new Se({props:{source:"https://github.com/huggingface/course/blob/main/chapters/ru/chapter1/10.mdx"}}),{c(){o=P("meta"),X=$(),Q=P("p"),A=$(),a(x.$$.fragment),L=$(),a(y.$$.fragment),D=$(),c=P("p"),c.textContent=Ge,O=$(),w=P("p"),w.textContent=de,ee=$(),a(b.$$.fragment),te=$(),a(T.$$.fragment),ne=$(),a(h.$$.fragment),se=$(),a(M.$$.fragment),$e=$(),a(J.$$.fragment),ie=$(),a(U.$$.fragment),ae=$(),a(q.$$.fragment),le=$(),a(B.$$.fragment),re=$(),a(j.$$.fragment),me=$(),a(W.$$.fragment),pe=$(),a(C.$$.fragment),fe=$(),a(G.$$.fragment),ge=$(),a(d.$$.fragment),ue=$(),a(Z.$$.fragment),oe=$(),a(I.$$.fragment),xe=$(),a(k.$$.fragment),ye=$(),a(_.$$.fragment),ce=$(),a(v.$$.fragment),we=$(),a(z.$$.fragment),be=$(),a(V.$$.fragment),Te=$(),a(H.$$.fragment),he=$(),a(F.$$.fragment),Me=$(),a(E.$$.fragment),Je=$(),a(R.$$.fragment),Ue=$(),a(S.$$.fragment),qe=$(),a(Y.$$.fragment),Be=$(),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=i(e),Q=K(e,"P",{}),Ze(Q).forEach(n),A=i(e),l(x.$$.fragment,e),L=i(e),l(y.$$.fragment,e),D=i(e),c=K(e,"P",{"data-svelte-h":!0}),Ie(c)!=="svelte-10emlb2"&&(c.textContent=Ge),O=i(e),w=K(e,"P",{"data-svelte-h":!0}),Ie(w)!=="svelte-1n8lgrw"&&(w.textContent=de),ee=i(e),l(b.$$.fragment,e),te=i(e),l(T.$$.fragment,e),ne=i(e),l(h.$$.fragment,e),se=i(e),l(M.$$.fragment,e),$e=i(e),l(J.$$.fragment,e),ie=i(e),l(U.$$.fragment,e),ae=i(e),l(q.$$.fragment,e),le=i(e),l(B.$$.fragment,e),re=i(e),l(j.$$.fragment,e),me=i(e),l(W.$$.fragment,e),pe=i(e),l(C.$$.fragment,e),fe=i(e),l(G.$$.fragment,e),ge=i(e),l(d.$$.fragment,e),ue=i(e),l(Z.$$.fragment,e),oe=i(e),l(I.$$.fragment,e),xe=i(e),l(k.$$.fragment,e),ye=i(e),l(_.$$.fragment,e),ce=i(e),l(v.$$.fragment,e),we=i(e),l(z.$$.fragment,e),be=i(e),l(V.$$.fragment,e),Te=i(e),l(H.$$.fragment,e),he=i(e),l(F.$$.fragment,e),Me=i(e),l(E.$$.fragment,e),Je=i(e),l(R.$$.fragment,e),Ue=i(e),l(S.$$.fragment,e),qe=i(e),l(Y.$$.fragment,e),Be=i(e),N=K(e,"P",{}),Ze(N).forEach(n),this.h()},h(){ke(o,"name","hf:doc:metadata"),ke(o,"content",Qe)},m(e,t){Ee(document.head,o),s(e,X,t),s(e,Q,t),s(e,A,t),r(x,e,t),s(e,L,t),r(y,e,t),s(e,D,t),s(e,c,t),s(e,O,t),s(e,w,t),s(e,ee,t),r(b,e,t),s(e,te,t),r(T,e,t),s(e,ne,t),r(h,e,t),s(e,se,t),r(M,e,t),s(e,$e,t),r(J,e,t),s(e,ie,t),r(U,e,t),s(e,ae,t),r(q,e,t),s(e,le,t),r(B,e,t),s(e,re,t),r(j,e,t),s(e,me,t),r(W,e,t),s(e,pe,t),r(C,e,t),s(e,fe,t),r(G,e,t),s(e,ge,t),r(d,e,t),s(e,ue,t),r(Z,e,t),s(e,oe,t),r(I,e,t),s(e,xe,t),r(k,e,t),s(e,ye,t),r(_,e,t),s(e,ce,t),r(v,e,t),s(e,we,t),r(z,e,t),s(e,be,t),r(V,e,t),s(e,Te,t),r(H,e,t),s(e,he,t),r(F,e,t),s(e,Me,t),r(E,e,t),s(e,Je,t),r(R,e,t),s(e,Ue,t),r(S,e,t),s(e,qe,t),r(Y,e,t),s(e,Be,t),s(e,N,t),je=!0},p:ve,i(e){je||(m(x.$$.fragment,e),m(y.$$.fragment,e),m(b.$$.fragment,e),m(T.$$.fragment,e),m(h.$$.fragment,e),m(M.$$.fragment,e),m(J.$$.fragment,e),m(U.$$.fragment,e),m(q.$$.fragment,e),m(B.$$.fragment,e),m(j.$$.fragment,e),m(W.$$.fragment,e),m(C.$$.fragment,e),m(G.$$.fragment,e),m(d.$$.fragment,e),m(Z.$$.fragment,e),m(I.$$.fragment,e),m(k.$$.fragment,e),m(_.$$.fragment,e),m(v.$$.fragment,e),m(z.$$.fragment,e),m(V.$$.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),je=!0)},o(e){p(x.$$.fragment,e),p(y.$$.fragment,e),p(b.$$.fragment,e),p(T.$$.fragment,e),p(h.$$.fragment,e),p(M.$$.fragment,e),p(J.$$.fragment,e),p(U.$$.fragment,e),p(q.$$.fragment,e),p(B.$$.fragment,e),p(j.$$.fragment,e),p(W.$$.fragment,e),p(C.$$.fragment,e),p(G.$$.fragment,e),p(d.$$.fragment,e),p(Z.$$.fragment,e),p(I.$$.fragment,e),p(k.$$.fragment,e),p(_.$$.fragment,e),p(v.$$.fragment,e),p(z.$$.fragment,e),p(V.$$.fragment,e),p(H.$$.fragment,e),p(F.$$.fragment,e),p(E.$$.fragment,e),p(R.$$.fragment,e),p(S.$$.fragment,e),p(Y.$$.fragment,e),je=!1},d(e){e&&(n(X),n(Q),n(A),n(L),n(D),n(c),n(O),n(w),n(ee),n(te),n(ne),n(se),n($e),n(ie),n(ae),n(le),n(re),n(me),n(pe),n(fe),n(ge),n(ue),n(oe),n(xe),n(ye),n(ce),n(we),n(be),n(Te),n(he),n(Me),n(Je),n(Ue),n(qe),n(Be),n(N)),n(o),f(x,e),f(y,e),f(b,e),f(T,e),f(h,e),f(M,e),f(J,e),f(U,e),f(q,e),f(B,e),f(j,e),f(W,e),f(C,e),f(G,e),f(d,e),f(Z,e),f(I,e),f(k,e),f(_,e),f(v,e),f(z,e),f(V,e),f(H,e),f(F,e),f(E,e),f(R,e),f(S,e),f(Y,e)}}}const Qe='{"title":"Тест в конце главы","local":"end-of-chapter-quiz","sections":[{"title":"1. Зайдите на Hub и найдите чекпоинт модели roberta-large-mnli . Какую задачу она решает?","local":"1-зайдите-на-hub-и-найдите-чекпоинт-модели-roberta-large-mnli--какую-задачу-она-решает","sections":[],"depth":3},{"title":"2. Какой будет результат выполнения данного кода?","local":"2-какой-будет-результат-выполнения-данного-кода","sections":[],"depth":3},{"title":"3. Чем нужно заменить … в данном коде?","local":"3-чем-нужно-заменить--в-данном-коде","sections":[],"depth":3},{"title":"4. Почему этот код выдаст ошибку?","local":"4-почему-этот-код-выдаст-ошибку","sections":[],"depth":3},{"title":"5. Что такое «трансферное обучение»?","local":"5-что-такое-трансферное-обучение","sections":[],"depth":3},{"title":"6. Правда или ложь? Для предобучения языковой модели обычно не требуются метки классов.","local":"6-правда-или-ложь-для-предобучения-языковой-модели-обычно-не-требуются-метки-классов","sections":[],"depth":3},{"title":"7. Выберите предложение, которое наилучшим способом описывает следующие термины: «модель», «архитектура» и «веса».","local":"7-выберите-предложение-которое-наилучшим-способом-описывает-следующие-термины-модель-архитектура-и-веса","sections":[],"depth":3},{"title":"8. Какую из этих моделей вы выберете для дополнения текста по введенной его части?","local":"8-какую-из-этих-моделей-вы-выберете-для-дополнения-текста-по-введенной-его-части","sections":[],"depth":3},{"title":"9. Какую из этих моделей вы выберете для автоматического реферирования?","local":"9-какую-из-этих-моделей-вы-выберете-для-автоматического-реферирования","sections":[],"depth":3},{"title":"10. Какую из этих моделей вы выберете для классификации текстов путем присвоения им определенных меток?","local":"10-какую-из-этих-моделей-вы-выберете-для-классификации-текстов-путем-присвоения-им-определенных-меток","sections":[],"depth":3},{"title":"11. Что может быть одной из причин предвзятости модели?","local":"11-что-может-быть-одной-из-причин-предвзятости-модели","sections":[],"depth":3}],"depth":1}';function Ne(Ce){return ze(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Oe extends Ve{constructor(o){super(),He(this,o,Ne,Ye,_e,{})}}export{Oe as component};