course/pr_1069/rum/_app/immutable/nodes/83.b7bc507d.js

import{s as ne,n as re,o as ue}from"../chunks/scheduler.37c15a92.js";import{S as se,i as oe,g as r,s as l,r as M,A as me,h as u,f as i,c as n,j as ie,u as w,x as o,k as ae,y as ce,a,v as z,d as T,t as j,w as H}from"../chunks/index.2bf4358c.js";import{Y as pe}from"../chunks/Youtube.1e50a667.js";import{C as fe}from"../chunks/CourseFloatingBanner.6add7356.js";import{H as le,E as de}from"../chunks/getInferenceSnippets.24b50994.js";function ve(K){let s,E,P,y,m,A,c,D,p,J="Dacă ați ajuns până aici în curs, felicitări – acum aveți toate cunoștințele și instrumentele necesare pentru a aborda (aproape) orice sarcină de procesare a limbajului cu 🤗 Transformers și ecosistemul Hugging Face!",N,f,k,d,Q="Deși am acoperit multe sarcini tradiționale de NLP în acest curs, domeniul a fost revoluționat de Modelele Mari de Limbaj (LLM-uri). Aceste modele au extins dramatic ceea ce este posibil în procesarea limbajului:",U,v,V="<li>Pot gestiona mai multe sarcini fără fine-tuning specific pentru fiecare sarcină</li> <li>Excelează la urmarea instrucțiunilor și adaptarea la contexte diferite</li> <li>Pot genera text coerent și adecvat contextului pentru diverse aplicații</li> <li>Pot realiza raționamente și rezolva probleme complexe prin tehnici precum chain-of-thought prompting</li>",q,$,W="Abilitățile fundamentale de NLP pe care le-ați învățat sunt în continuare esențiale pentru a lucra eficient cu LLM-urile. Înțelegerea tokenizării, a arhitecturilor de modele, a metodelor de fine-tuning și a metricilor de evaluare vă oferă cunoștințele necesare pentru a valorifica la maximum potențialul LLM-urilor.",F,x,X="Am văzut o mulțime de data collators, așa că am făcut acest mic videoclip pentru a vă ajuta să găsiți cel pe care să îl utilizați pentru fiecare sarcină:",S,g,R,L,Z="După finalizarea acestui tur fulger prin sarcinile de bază ale procesării limbajului, ar trebui să:",Y,b,ee="<li>Știți care arhitecturi (encoder, decoder sau encoder-decoder) sunt cele mai potrivite pentru fiecare sarcină</li> <li>Înțelegeți diferența dintre preantrenarea și fine-tuning-ul unui model lingvistic</li> <li>Știți cum să antrenați modele Transformer folosind fie API-ul <code>Trainer</code> și funcționalitățile de antrenare distribuită ale 🤗 Accelerate, fie TensorFlow și Keras, în funcție de traseul pe care l-ați urmat</li> <li>Înțelegeți semnificația și limitele metricilor precum ROUGE și BLEU pentru sarcinile de generare de text</li> <li>Știți cum să interacționați cu modelele voastre ajustate, atât pe Hub, cât și folosind <code>pipeline</code> din 🤗 Transformers</li> <li>Să apreciați modul în care LLM-urile se bazează pe și extind tehnicile tradiționale de NLP</li>",B,_,te="În ciuda tuturor acestor cunoștințe, va veni un moment în care fie veți întâlni un bug dificil în codul vostru, fie veți avea o întrebare despre cum să rezolvați o anumită problemă de procesare a limbajului. Din fericire, comunitatea Hugging Face este aici pentru a vă ajuta! În ultimul capitol al acestei părți a cursului, vom explora cum puteți depana modelele Transformer și cum puteți solicita ajutor în mod eficient.",G,C,O,h,I;return m=new le({props:{title:"Înțelegerea LLM-urilor",local:"mastering-llms",headingTag:"h1"}}),c=new fe({props:{chapter:7,classNames:"absolute z-10 right-0 top-0"}}),f=new le({props:{title:"De la NLP la LLM-uri",local:"de-la-nlp-la-llm-uri",headingTag:"h2"}}),g=new pe({props:{id:"-RPeakdlHYo"}}),C=new de({props:{source:"https://github.com/huggingface/course/blob/main/chapters/rum/chapter7/8.mdx"}}),{c(){s=r("meta"),E=l(),P=r("p"),y=l(),M(m.$$.fragment),A=l(),M(c.$$.fragment),D=l(),p=r("p"),p.textContent=J,N=l(),M(f.$$.fragment),k=l(),d=r("p"),d.textContent=Q,U=l(),v=r("ul"),v.innerHTML=V,q=l(),$=r("p"),$.textContent=W,F=l(),x=r("p"),x.textContent=X,S=l(),M(g.$$.fragment),R=l(),L=r("p"),L.textContent=Z,Y=l(),b=r("ul"),b.innerHTML=ee,B=l(),_=r("p"),_.textContent=te,G=l(),M(C.$$.fragment),O=l(),h=r("p"),this.h()},l(e){const t=me("svelte-u9bgzb",document.head);s=u(t,"META",{name:!0,content:!0}),t.forEach(i),E=n(e),P=u(e,"P",{}),ie(P).forEach(i),y=n(e),w(m.$$.fragment,e),A=n(e),w(c.$$.fragment,e),D=n(e),p=u(e,"P",{"data-svelte-h":!0}),o(p)!=="svelte-1wcz6oh"&&(p.textContent=J),N=n(e),w(f.$$.fragment,e),k=n(e),d=u(e,"P",{"data-svelte-h":!0}),o(d)!=="svelte-1qpux5f"&&(d.textContent=Q),U=n(e),v=u(e,"UL",{"data-svelte-h":!0}),o(v)!=="svelte-d4qxuj"&&(v.innerHTML=V),q=n(e),$=u(e,"P",{"data-svelte-h":!0}),o($)!=="svelte-ykat43"&&($.textContent=W),F=n(e),x=u(e,"P",{"data-svelte-h":!0}),o(x)!=="svelte-1euq7gk"&&(x.textContent=X),S=n(e),w(g.$$.fragment,e),R=n(e),L=u(e,"P",{"data-svelte-h":!0}),o(L)!=="svelte-1rdebzn"&&(L.textContent=Z),Y=n(e),b=u(e,"UL",{"data-svelte-h":!0}),o(b)!=="svelte-1e8wpmw"&&(b.innerHTML=ee),B=n(e),_=u(e,"P",{"data-svelte-h":!0}),o(_)!=="svelte-w8ld2y"&&(_.textContent=te),G=n(e),w(C.$$.fragment,e),O=n(e),h=u(e,"P",{}),ie(h).forEach(i),this.h()},h(){ae(s,"name","hf:doc:metadata"),ae(s,"content",$e)},m(e,t){ce(document.head,s),a(e,E,t),a(e,P,t),a(e,y,t),z(m,e,t),a(e,A,t),z(c,e,t),a(e,D,t),a(e,p,t),a(e,N,t),z(f,e,t),a(e,k,t),a(e,d,t),a(e,U,t),a(e,v,t),a(e,q,t),a(e,$,t),a(e,F,t),a(e,x,t),a(e,S,t),z(g,e,t),a(e,R,t),a(e,L,t),a(e,Y,t),a(e,b,t),a(e,B,t),a(e,_,t),a(e,G,t),z(C,e,t),a(e,O,t),a(e,h,t),I=!0},p:re,i(e){I||(T(m.$$.fragment,e),T(c.$$.fragment,e),T(f.$$.fragment,e),T(g.$$.fragment,e),T(C.$$.fragment,e),I=!0)},o(e){j(m.$$.fragment,e),j(c.$$.fragment,e),j(f.$$.fragment,e),j(g.$$.fragment,e),j(C.$$.fragment,e),I=!1},d(e){e&&(i(E),i(P),i(y),i(A),i(D),i(p),i(N),i(k),i(d),i(U),i(v),i(q),i($),i(F),i(x),i(S),i(R),i(L),i(Y),i(b),i(B),i(_),i(G),i(O),i(h)),i(s),H(m,e),H(c,e),H(f,e),H(g,e),H(C,e)}}}const $e='{"title":"Înțelegerea LLM-urilor","local":"mastering-llms","sections":[{"title":"De la NLP la LLM-uri","local":"de-la-nlp-la-llm-uri","sections":[],"depth":2}],"depth":1}';function xe(K){return ue(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Pe extends se{constructor(s){super(),oe(this,s,xe,ve,ne,{})}}export{Pe as component};