Buckets:
| import{s as N,n as J,o as K}from"../chunks/scheduler.37c15a92.js";import{S as Q,i as V,g as s,s as n,r as A,A as W,h as u,f as a,c as l,j as B,u as z,x as b,k as G,y as X,a as i,v as D,d as k,t as S,w as j}from"../chunks/index.2bf4358c.js";import{C as Y}from"../chunks/CourseFloatingBanner.6add7356.js";import{H as Z,E as ee}from"../chunks/getInferenceSnippets.24b50994.js";function te(q){let r,C,$,g,c,x,o,H,p,F='În <a href="/course/chapter3">Capitolul 3</a> ați încercat biblioteca 🤗Datasets și ați văzut că existau trei pași principali atunci când vine vorba de fine-tuningul unui model:',P,m,I="<li>Încărcați un dataset din Hugging Face Hub.</li> <li>Preprocesați datele cu <code>Dataset.map()</code>.</li> <li>Încărcați și calculați metricele.</li>",L,f,O="Dar aceasta este doar o mică parte a ceea ce poate face 🤗 Datasets! În acest capitol, ne vom aprofunda în această bibliotecă. Pe parcurs, vom găsi răspunsuri la următoarele întrebări:",M,d,R="<li>Ce faceți atunci când datasetul tău nu este pe Hub?</li> <li>Cum puteți tăia și împărți un dataset? (Și ce dacă tu <em>really</em> trebuie să folosești Pandas?)</li> <li>Ce faceți atunci când datasetul este uriaș și va topi RAM-ul laptopului dumneavoastră?</li> <li>Ce este “memory mapping” și Apache Arrow?</li> <li>Cum puteți crea propriul dataset și să-l trimiteți pe Hub?</li>",T,h,U='Tehnicile pe care le veți învăța aici vă vor pregăti pentru sarcinile avansate de tokenizare și fine-tuning din <a href="/course/chapter6">Capitolul 6</a> și <a href="/course/chapter7">Capitolul 7</a> — deci luați o cafea sau două și să începem!',w,v,y,_,E;return c=new Z({props:{title:"Introducere",local:"introduction",headingTag:"h1"}}),o=new Y({props:{chapter:5,classNames:"absolute z-10 right-0 top-0"}}),v=new ee({props:{source:"https://github.com/huggingface/course/blob/main/chapters/rum/chapter5/1.mdx"}}),{c(){r=s("meta"),C=n(),$=s("p"),g=n(),A(c.$$.fragment),x=n(),A(o.$$.fragment),H=n(),p=s("p"),p.innerHTML=F,P=n(),m=s("ol"),m.innerHTML=I,L=n(),f=s("p"),f.textContent=O,M=n(),d=s("ul"),d.innerHTML=R,T=n(),h=s("p"),h.innerHTML=U,w=n(),A(v.$$.fragment),y=n(),_=s("p"),this.h()},l(e){const t=W("svelte-u9bgzb",document.head);r=u(t,"META",{name:!0,content:!0}),t.forEach(a),C=l(e),$=u(e,"P",{}),B($).forEach(a),g=l(e),z(c.$$.fragment,e),x=l(e),z(o.$$.fragment,e),H=l(e),p=u(e,"P",{"data-svelte-h":!0}),b(p)!=="svelte-18fnhnq"&&(p.innerHTML=F),P=l(e),m=u(e,"OL",{"data-svelte-h":!0}),b(m)!=="svelte-1mybxy6"&&(m.innerHTML=I),L=l(e),f=u(e,"P",{"data-svelte-h":!0}),b(f)!=="svelte-1n2011o"&&(f.textContent=O),M=l(e),d=u(e,"UL",{"data-svelte-h":!0}),b(d)!=="svelte-18clkp4"&&(d.innerHTML=R),T=l(e),h=u(e,"P",{"data-svelte-h":!0}),b(h)!=="svelte-7j79gc"&&(h.innerHTML=U),w=l(e),z(v.$$.fragment,e),y=l(e),_=u(e,"P",{}),B(_).forEach(a),this.h()},h(){G(r,"name","hf:doc:metadata"),G(r,"content",ae)},m(e,t){X(document.head,r),i(e,C,t),i(e,$,t),i(e,g,t),D(c,e,t),i(e,x,t),D(o,e,t),i(e,H,t),i(e,p,t),i(e,P,t),i(e,m,t),i(e,L,t),i(e,f,t),i(e,M,t),i(e,d,t),i(e,T,t),i(e,h,t),i(e,w,t),D(v,e,t),i(e,y,t),i(e,_,t),E=!0},p:J,i(e){E||(k(c.$$.fragment,e),k(o.$$.fragment,e),k(v.$$.fragment,e),E=!0)},o(e){S(c.$$.fragment,e),S(o.$$.fragment,e),S(v.$$.fragment,e),E=!1},d(e){e&&(a(C),a($),a(g),a(x),a(H),a(p),a(P),a(m),a(L),a(f),a(M),a(d),a(T),a(h),a(w),a(y),a(_)),a(r),j(c,e),j(o,e),j(v,e)}}}const ae='{"title":"Introducere","local":"introduction","sections":[],"depth":1}';function ie(q){return K(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ue extends Q{constructor(r){super(),V(this,r,ie,te,N,{})}}export{ue as component}; | |
Xet Storage Details
- Size:
- 3.66 kB
- Xet hash:
- 00438a996081dd4990e6cc8115b056ad25ccbd60c8e41fb7281007e1c381a850
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.