course/pr_1069/th/_app/immutable/nodes/17.218a3da1.js

import{s as Ie,o as Ae,n as ke}from"../chunks/scheduler.37c15a92.js";import{S as Ce,i as Ze,g as U,s as i,r as b,A as ge,h as J,f as p,c,j as he,u as j,x as h,k as we,y as Qe,a as M,v as y,t as u,b as v,d as o,w as f,p as B}from"../chunks/index.2bf4358c.js";import{T as Te}from"../chunks/Tip.363c041f.js";import{Y as _e}from"../chunks/Youtube.1e50a667.js";import{C as w}from"../chunks/CodeBlock.4e987730.js";import{C as $e}from"../chunks/CourseFloatingBanner.6add7356.js";import{F as Ne}from"../chunks/FrameworkSwitchCourse.8d4d4ab6.js";import{H as Xl,E as Ve}from"../chunks/getInferenceSnippets.24b50994.js";function We(m){let e,a;return e=new $e({props:{chapter:2,classNames:"absolute z-10 right-0 top-0",notebooks:[{label:"Google Colab",value:"https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/th/chapter2/section5_tf.ipynb"},{label:"Aws Studio",value:"https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/master/course/th/chapter2/section5_tf.ipynb"}]}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function Ee(m){let e,a;return e=new $e({props:{chapter:2,classNames:"absolute z-10 right-0 top-0",notebooks:[{label:"Google Colab",value:"https://colab.research.google.com/github/huggingface/notebooks/blob/master/course/th/chapter2/section5_pt.ipynb"},{label:"Aws Studio",value:"https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/master/course/th/chapter2/section5_pt.ipynb"}]}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function ze(m){let e,a;return e=new _e({props:{id:"ROxrFOEbsQE"}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function Re(m){let e,a;return e=new _e({props:{id:"M6adb1j2jPI"}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function Ge(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`<span class="hljs-keyword">import</span> tensorflow <span class="hljs-keyword">as</span> tf
<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, TFAutoModelForSequenceClassification

checkpoint = <span class="hljs-string">&quot;distilbert-base-uncased-finetuned-sst-2-english&quot;</span>
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = TFAutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence = <span class="hljs-string">&quot;I&#x27;ve been waiting for a HuggingFace course my whole life.&quot;</span>

tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)
input_ids = tf.constant(ids)
<span class="hljs-comment"># This line will fail.</span>
model(input_ids)`,wrap:!1}}),s=new w({props:{code:"SW52YWxpZEFyZ3VtZW50RXJyb3IlM0ElMjBJbnB1dCUyMHRvJTIwcmVzaGFwZSUyMGlzJTIwYSUyMHRlbnNvciUyMHdpdGglMjAxNCUyMHZhbHVlcyUyQyUyMGJ1dCUyMHRoZSUyMHJlcXVlc3RlZCUyMHNoYXBlJTIwaGFzJTIwMTk2JTIwJTVCT3AlM0FSZXNoYXBlJTVE",highlighted:'InvalidArgumentError: Input to reshape <span class="hljs-keyword">is</span> a tensor <span class="hljs-keyword">with</span> <span class="hljs-number">14</span> values, but the requested shape has <span class="hljs-number">196</span> [Op:Reshape]',wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function Xe(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`<span class="hljs-keyword">import</span> torch
<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, AutoModelForSequenceClassification

checkpoint = <span class="hljs-string">&quot;distilbert-base-uncased-finetuned-sst-2-english&quot;</span>
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence = <span class="hljs-string">&quot;I&#x27;ve been waiting for a HuggingFace course my whole life.&quot;</span>

tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)
input_ids = torch.tensor(ids)
<span class="hljs-comment"># This line will fail.</span>
model(input_ids)`,wrap:!1}}),s=new w({props:{code:"SW5kZXhFcnJvciUzQSUyMERpbWVuc2lvbiUyMG91dCUyMG9mJTIwcmFuZ2UlMjAoZXhwZWN0ZWQlMjB0byUyMGJlJTIwaW4lMjByYW5nZSUyMG9mJTIwJTVCLTElMkMlMjAwJTVEJTJDJTIwYnV0JTIwZ290JTIwMSk=",highlighted:'IndexError: Dimension out of <span class="hljs-built_in">range</span> (expected to be <span class="hljs-keyword">in</span> <span class="hljs-built_in">range</span> of [-<span class="hljs-number">1</span>, <span class="hljs-number">0</span>], but got <span class="hljs-number">1</span>)',wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function ve(m){let e,a,s,r;return e=new w({props:{code:"dG9rZW5pemVkX2lucHV0cyUyMCUzRCUyMHRva2VuaXplcihzZXF1ZW5jZSUyQyUyMHJldHVybl90ZW5zb3JzJTNEJTIydGYlMjIpJTBBcHJpbnQodG9rZW5pemVkX2lucHV0cyU1QiUyMmlucHV0X2lkcyUyMiU1RCk=",highlighted:`tokenized_inputs = tokenizer(sequence, return_tensors=<span class="hljs-string">&quot;tf&quot;</span>)
<span class="hljs-built_in">print</span>(tokenized_inputs[<span class="hljs-string">&quot;input_ids&quot;</span>])`,wrap:!1}}),s=new w({props:{code:"JTNDdGYuVGVuc29yJTNBJTIwc2hhcGUlM0QoMSUyQyUyMDE2KSUyQyUyMGR0eXBlJTNEaW50MzIlMkMlMjBudW1weSUzRCUwQWFycmF5KCU1QiU1QiUyMCUyMDEwMSUyQyUyMCUyMDEwNDUlMkMlMjAlMjAxMDA1JTJDJTIwJTIwMjMxMCUyQyUyMCUyMDIwNDIlMkMlMjAlMjAzNDAzJTJDJTIwJTIwMjAwNSUyQyUyMCUyMDEwMzclMkMlMjAxNzY2MiUyQyUwQSUyMCUyMCUyMCUyMCUyMCUyMCUyMCUyMDEyMTcyJTJDJTIwJTIwMjYwNyUyQyUyMCUyMDIwMjYlMkMlMjAlMjAyODc4JTJDJTIwJTIwMjE2NiUyQyUyMCUyMDEwMTIlMkMlMjAlMjAlMjAxMDIlNUQlNUQlMkMlMjBkdHlwZSUzRGludDMyKSUzRQ==",highlighted:`&lt;tf.Tensor: shape=(<span class="hljs-number">1</span>, <span class="hljs-number">16</span>), dtype=int32, numpy=
array([[  <span class="hljs-number">101</span>,  <span class="hljs-number">1045</span>,  <span class="hljs-number">1005</span>,  <span class="hljs-number">2310</span>,  <span class="hljs-number">2042</span>,  <span class="hljs-number">3403</span>,  <span class="hljs-number">2005</span>,  <span class="hljs-number">1037</span>, <span class="hljs-number">17662</span>,
        <span class="hljs-number">12172</span>,  <span class="hljs-number">2607</span>,  <span class="hljs-number">2026</span>,  <span class="hljs-number">2878</span>,  <span class="hljs-number">2166</span>,  <span class="hljs-number">1012</span>,   <span class="hljs-number">102</span>]], dtype=int32)&gt;`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function Be(m){let e,a,s,r;return e=new w({props:{code:"dG9rZW5pemVkX2lucHV0cyUyMCUzRCUyMHRva2VuaXplcihzZXF1ZW5jZSUyQyUyMHJldHVybl90ZW5zb3JzJTNEJTIycHQlMjIpJTBBcHJpbnQodG9rZW5pemVkX2lucHV0cyU1QiUyMmlucHV0X2lkcyUyMiU1RCk=",highlighted:`tokenized_inputs = tokenizer(sequence, return_tensors=<span class="hljs-string">&quot;pt&quot;</span>)
<span class="hljs-built_in">print</span>(tokenized_inputs[<span class="hljs-string">&quot;input_ids&quot;</span>])`,wrap:!1}}),s=new w({props:{code:"dGVuc29yKCU1QiU1QiUyMCUyMDEwMSUyQyUyMCUyMDEwNDUlMkMlMjAlMjAxMDA1JTJDJTIwJTIwMjMxMCUyQyUyMCUyMDIwNDIlMkMlMjAlMjAzNDAzJTJDJTIwJTIwMjAwNSUyQyUyMCUyMDEwMzclMkMlMjAxNzY2MiUyQyUyMDEyMTcyJTJDJTBBJTIwJTIwJTIwJTIwJTIwJTIwJTIwJTIwJTIwJTIwMjYwNyUyQyUyMCUyMDIwMjYlMkMlMjAlMjAyODc4JTJDJTIwJTIwMjE2NiUyQyUyMCUyMDEwMTIlMkMlMjAlMjAlMjAxMDIlNUQlNUQp",highlighted:`tensor([[  <span class="hljs-number">101</span>,  <span class="hljs-number">1045</span>,  <span class="hljs-number">1005</span>,  <span class="hljs-number">2310</span>,  <span class="hljs-number">2042</span>,  <span class="hljs-number">3403</span>,  <span class="hljs-number">2005</span>,  <span class="hljs-number">1037</span>, <span class="hljs-number">17662</span>, <span class="hljs-number">12172</span>,
          <span class="hljs-number">2607</span>,  <span class="hljs-number">2026</span>,  <span class="hljs-number">2878</span>,  <span class="hljs-number">2166</span>,  <span class="hljs-number">1012</span>,   <span class="hljs-number">102</span>]])`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function De(m){let e,a;return e=new w({props:{code:"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",highlighted:`<span class="hljs-keyword">import</span> tensorflow <span class="hljs-keyword">as</span> tf
<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, TFAutoModelForSequenceClassification

checkpoint = <span class="hljs-string">&quot;distilbert-base-uncased-finetuned-sst-2-english&quot;</span>
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = TFAutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence = <span class="hljs-string">&quot;I&#x27;ve been waiting for a HuggingFace course my whole life.&quot;</span>

tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)

input_ids = tf.constant([ids])
<span class="hljs-built_in">print</span>(<span class="hljs-string">&quot;Input IDs:&quot;</span>, input_ids)

output = model(input_ids)
<span class="hljs-built_in">print</span>(<span class="hljs-string">&quot;Logits:&quot;</span>, output.logits)`,wrap:!1}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function Fe(m){let e,a;return e=new w({props:{code:"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",highlighted:`<span class="hljs-keyword">import</span> torch
<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, AutoModelForSequenceClassification

checkpoint = <span class="hljs-string">&quot;distilbert-base-uncased-finetuned-sst-2-english&quot;</span>
tokenizer = AutoTokenizer.from_pretrained(checkpoint)
model = AutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence = <span class="hljs-string">&quot;I&#x27;ve been waiting for a HuggingFace course my whole life.&quot;</span>

tokens = tokenizer.tokenize(sequence)
ids = tokenizer.convert_tokens_to_ids(tokens)

input_ids = torch.tensor([ids])
<span class="hljs-built_in">print</span>(<span class="hljs-string">&quot;Input IDs:&quot;</span>, input_ids)

output = model(input_ids)
<span class="hljs-built_in">print</span>(<span class="hljs-string">&quot;Logits:&quot;</span>, output.logits)`,wrap:!1}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function xe(m){let e,a;return e=new w({props:{code:"SW5wdXQlMjBJRHMlM0ElMjB0Zi5UZW5zb3IoJTBBJTVCJTVCJTIwMTA0NSUyMCUyMDEwMDUlMjAlMjAyMzEwJTIwJTIwMjA0MiUyMCUyMDM0MDMlMjAlMjAyMDA1JTIwJTIwMTAzNyUyMDE3NjYyJTIwMTIxNzIlMjAlMjAyNjA3JTIwJTIwMjAyNiUyMCUyMDI4NzglMEElMjAlMjAlMjAyMTY2JTIwJTIwMTAxMiU1RCU1RCUyQyUyMHNoYXBlJTNEKDElMkMlMjAxNCklMkMlMjBkdHlwZSUzRGludDMyKSUwQUxvZ2l0cyUzQSUyMHRmLlRlbnNvciglNUIlNUItMi43Mjc2MjA4JTIwJTIwMi44Nzg5Mzc3JTVEJTVEJTJDJTIwc2hhcGUlM0QoMSUyQyUyMDIpJTJDJTIwZHR5cGUlM0RmbG9hdDMyKQ==",highlighted:`Input IDs: tf.Tensor(
[[ <span class="hljs-number">1045</span>  <span class="hljs-number">1005</span>  <span class="hljs-number">2310</span>  <span class="hljs-number">2042</span>  <span class="hljs-number">3403</span>  <span class="hljs-number">2005</span>  <span class="hljs-number">1037</span> <span class="hljs-number">17662</span> <span class="hljs-number">12172</span>  <span class="hljs-number">2607</span>  <span class="hljs-number">2026</span>  <span class="hljs-number">2878</span>
   <span class="hljs-number">2166</span>  <span class="hljs-number">1012</span>]], shape=(<span class="hljs-number">1</span>, <span class="hljs-number">14</span>), dtype=int32)
Logits: tf.Tensor([[-<span class="hljs-number">2.7276208</span>  <span class="hljs-number">2.8789377</span>]], shape=(<span class="hljs-number">1</span>, <span class="hljs-number">2</span>), dtype=float32)`,wrap:!1}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function He(m){let e,a;return e=new w({props:{code:"SW5wdXQlMjBJRHMlM0ElMjAlNUIlNUIlMjAxMDQ1JTJDJTIwJTIwMTAwNSUyQyUyMCUyMDIzMTAlMkMlMjAlMjAyMDQyJTJDJTIwJTIwMzQwMyUyQyUyMCUyMDIwMDUlMkMlMjAlMjAxMDM3JTJDJTIwMTc2NjIlMkMlMjAxMjE3MiUyQyUyMCUyMDI2MDclMkMlMjAyMDI2JTJDJTIwJTIwMjg3OCUyQyUyMCUyMDIxNjYlMkMlMjAlMjAxMDEyJTVEJTVEJTBBTG9naXRzJTNBJTIwJTVCJTVCLTIuNzI3NiUyQyUyMCUyMDIuODc4OSU1RCU1RA==",highlighted:`Input IDs: [[ <span class="hljs-number">1045</span>,  <span class="hljs-number">1005</span>,  <span class="hljs-number">2310</span>,  <span class="hljs-number">2042</span>,  <span class="hljs-number">3403</span>,  <span class="hljs-number">2005</span>,  <span class="hljs-number">1037</span>, <span class="hljs-number">17662</span>, <span class="hljs-number">12172</span>,  <span class="hljs-number">2607</span>, <span class="hljs-number">2026</span>,  <span class="hljs-number">2878</span>,  <span class="hljs-number">2166</span>,  <span class="hljs-number">1012</span>]]
Logits: [[-<span class="hljs-number">2.7276</span>,  <span class="hljs-number">2.8789</span>]]`,wrap:!1}}),{c(){b(e.$$.fragment)},l(s){j(e.$$.fragment,s)},m(s,r){y(e,s,r),a=!0},i(s){a||(o(e.$$.fragment,s),a=!0)},o(s){u(e.$$.fragment,s),a=!1},d(s){f(e,s)}}}function Se(m){let e,a="✏️ <strong>Try it out!</strong> แปลงลิสท์ของ <code>batched_ids</code> นี้ไปเป็น tensor และใส่เข้าไปในโมเดลของคุณ แล้วลองตรวจสอบดูว่าคุณได้ logits เหมือนกับที่ได้ก่อนหน้านี้ไหม(แต่ได้สองค่า)!";return{c(){e=U("p"),e.innerHTML=a},l(s){e=J(s,"P",{"data-svelte-h":!0}),h(e)!=="svelte-1sfv6ui"&&(e.innerHTML=a)},m(s,r){M(s,e,r)},p:ke,d(s){s&&p(e)}}}function Ye(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`model = TFAutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence1_ids = [[<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>]]
sequence2_ids = [[<span class="hljs-number">200</span>, <span class="hljs-number">200</span>]]
batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, tokenizer.pad_token_id],
]

<span class="hljs-built_in">print</span>(model(tf.constant(sequence1_ids)).logits)
<span class="hljs-built_in">print</span>(model(tf.constant(sequence2_ids)).logits)
<span class="hljs-built_in">print</span>(model(tf.constant(batched_ids)).logits)`,wrap:!1}}),s=new w({props:{code:"dGYuVGVuc29yKCU1QiU1QiUyMDEuNTY5MzY3OCUyMC0xLjM4OTQ1ODElNUQlNUQlMkMlMjBzaGFwZSUzRCgxJTJDJTIwMiklMkMlMjBkdHlwZSUzRGZsb2F0MzIpJTBBdGYuVGVuc29yKCU1QiU1QiUyMDAuNTgwMzAwNSUyMCUyMC0wLjQxMjUyNDI4JTVEJTVEJTJDJTIwc2hhcGUlM0QoMSUyQyUyMDIpJTJDJTIwZHR5cGUlM0RmbG9hdDMyKSUwQXRmLlRlbnNvciglMEElNUIlNUIlMjAxLjU2OTM2ODElMjAtMS4zODk0NTgyJTVEJTBBJTIwJTVCJTIwMS4zMzczNDg2JTIwLTEuMjE2MzE5MyU1RCU1RCUyQyUyMHNoYXBlJTNEKDIlMkMlMjAyKSUyQyUyMGR0eXBlJTNEZmxvYXQzMik=",highlighted:`tf.Tensor([[ <span class="hljs-number">1.5693678</span> -<span class="hljs-number">1.3894581</span>]], shape=(<span class="hljs-number">1</span>, <span class="hljs-number">2</span>), dtype=float32)
tf.Tensor([[ <span class="hljs-number">0.5803005</span>  -<span class="hljs-number">0.41252428</span>]], shape=(<span class="hljs-number">1</span>, <span class="hljs-number">2</span>), dtype=float32)
tf.Tensor(
[[ <span class="hljs-number">1.5693681</span> -<span class="hljs-number">1.3894582</span>]
 [ <span class="hljs-number">1.3373486</span> -<span class="hljs-number">1.2163193</span>]], shape=(<span class="hljs-number">2</span>, <span class="hljs-number">2</span>), dtype=float32)`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function qe(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`model = AutoModelForSequenceClassification.from_pretrained(checkpoint)

sequence1_ids = [[<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>]]
sequence2_ids = [[<span class="hljs-number">200</span>, <span class="hljs-number">200</span>]]
batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, tokenizer.pad_token_id],
]

<span class="hljs-built_in">print</span>(model(torch.tensor(sequence1_ids)).logits)
<span class="hljs-built_in">print</span>(model(torch.tensor(sequence2_ids)).logits)
<span class="hljs-built_in">print</span>(model(torch.tensor(batched_ids)).logits)`,wrap:!1}}),s=new w({props:{code:"dGVuc29yKCU1QiU1QiUyMDEuNTY5NCUyQyUyMC0xLjM4OTUlNUQlNUQlMkMlMjBncmFkX2ZuJTNEJTNDQWRkbW1CYWNrd2FyZCUzRSklMEF0ZW5zb3IoJTVCJTVCJTIwMC41ODAzJTJDJTIwLTAuNDEyNSU1RCU1RCUyQyUyMGdyYWRfZm4lM0QlM0NBZGRtbUJhY2t3YXJkJTNFKSUwQXRlbnNvciglNUIlNUIlMjAxLjU2OTQlMkMlMjAtMS4zODk1JTVEJTJDJTBBJTIwJTIwJTIwJTIwJTIwJTIwJTIwJTIwJTVCJTIwMS4zMzczJTJDJTIwLTEuMjE2MyU1RCU1RCUyQyUyMGdyYWRfZm4lM0QlM0NBZGRtbUJhY2t3YXJkJTNFKQ==",highlighted:`tensor([[ <span class="hljs-number">1.5694</span>, -<span class="hljs-number">1.3895</span>]], grad_fn=&lt;AddmmBackward&gt;)
tensor([[ <span class="hljs-number">0.5803</span>, -<span class="hljs-number">0.4125</span>]], grad_fn=&lt;AddmmBackward&gt;)
tensor([[ <span class="hljs-number">1.5694</span>, -<span class="hljs-number">1.3895</span>],
        [ <span class="hljs-number">1.3373</span>, -<span class="hljs-number">1.2163</span>]], grad_fn=&lt;AddmmBackward&gt;)`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function Le(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, tokenizer.pad_token_id],
]

attention_mask = [
    [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>],
    [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">0</span>],
]

outputs = model(tf.constant(batched_ids), attention_mask=tf.constant(attention_mask))
<span class="hljs-built_in">print</span>(outputs.logits)`,wrap:!1}}),s=new w({props:{code:"dGYuVGVuc29yKCUwQSU1QiU1QiUyMDEuNTY5MzY4MSUyMCUyMC0xLjM4OTQ1ODIlMjAlNUQlMEElMjAlNUIlMjAwLjU4MDMwMjElMjAlMjAtMC40MTI1MjU4NiU1RCU1RCUyQyUyMHNoYXBlJTNEKDIlMkMlMjAyKSUyQyUyMGR0eXBlJTNEZmxvYXQzMik=",highlighted:`tf.Tensor(
[[ <span class="hljs-number">1.5693681</span>  -<span class="hljs-number">1.3894582</span> ]
 [ <span class="hljs-number">0.5803021</span>  -<span class="hljs-number">0.41252586</span>]], shape=(<span class="hljs-number">2</span>, <span class="hljs-number">2</span>), dtype=float32)`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function Ke(m){let e,a,s,r;return e=new w({props:{code:"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",highlighted:`batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, tokenizer.pad_token_id],
]

attention_mask = [
    [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>],
    [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">0</span>],
]

outputs = model(torch.tensor(batched_ids), attention_mask=torch.tensor(attention_mask))
<span class="hljs-built_in">print</span>(outputs.logits)`,wrap:!1}}),s=new w({props:{code:"dGVuc29yKCU1QiU1QiUyMDEuNTY5NCUyQyUyMC0xLjM4OTUlNUQlMkMlMEElMjAlMjAlMjAlMjAlMjAlMjAlMjAlMjAlNUIlMjAwLjU4MDMlMkMlMjAtMC40MTI1JTVEJTVEJTJDJTIwZ3JhZF9mbiUzRCUzQ0FkZG1tQmFja3dhcmQlM0Up",highlighted:`tensor([[ <span class="hljs-number">1.5694</span>, -<span class="hljs-number">1.3895</span>],
        [ <span class="hljs-number">0.5803</span>, -<span class="hljs-number">0.4125</span>]], grad_fn=&lt;AddmmBackward&gt;)`,wrap:!1}}),{c(){b(e.$$.fragment),a=i(),b(s.$$.fragment)},l(t){j(e.$$.fragment,t),a=c(t),j(s.$$.fragment,t)},m(t,d){y(e,t,d),M(t,a,d),y(s,t,d),r=!0},i(t){r||(o(e.$$.fragment,t),o(s.$$.fragment,t),r=!0)},o(t){u(e.$$.fragment,t),u(s.$$.fragment,t),r=!1},d(t){t&&p(a),f(e,t),f(s,t)}}}function Pe(m){let e,a="✏️ <strong>ลองเลย!</strong> ทำ tokenization กับสองประโยคใน section 2 (“I’ve been waiting for a HuggingFace course my whole life.” และ “I hate this so much!“) แล้วใส่เข้าไปในโมเดลและตรวจสอบดูว่าคุณได้ logits เหมือนกับใน section 2 หรือไม่ หลังจากนั้นให้จับประโยครวมกันเป็นชุด(batch) โดยใช้ padding token แล้วสร้าง attention mask ที่ถูกต้อง และตรวจสอบดูว่าคุณได้ผลลัพท์เหมือนกันหรือไม่หลังจากใส่เข้าไปในโมเดลแล้ว!";return{c(){e=U("p"),e.innerHTML=a},l(s){e=J(s,"P",{"data-svelte-h":!0}),h(e)!=="svelte-12ro2fh"&&(e.innerHTML=a)},m(s,r){M(s,e,r)},p:ke,d(s){s&&p(e)}}}function Oe(m){let e,a,s,r,t,d,D,vl,T,k,gl,_,$,Ql,F,Qs="ใน section ที่แล้ว เราได้ลองทำตัวอย่างการใช้งานที่ง่ายที่สุด: คือการอนุมาน(inference)โดยใช้ประโยคสั้นๆ เพียงประโยคเดียว อย่างไรก็ตาม ก็มีบางคำถามเกิดขึ้นมา:",Bl,x,Ns="<li>เราจะจัดการกับประโยคหลายๆประโยคอย่างไร?</li> <li>เราจะจัดการกับประโยคหลายๆประโยคที่มี <em>ความยาวต่างกัน</em> อย่างไร?</li> <li>ดัชนีคำศัพท์(vocabulary indices) เป็นเพียงข้อมูลประเภทเดียวที่ทำให้โมเดลทำงานได้ดีหรือไม่?</li> <li>มีประโยคที่เป็นประโยคที่ยาวเกินไปหรือไม่?</li>",Dl,H,Vs="มาดูกันว่าปัญหาประเภทใดบ้างที่เกิดขึ้นจากคำถามเหล่านี้ และเราจะแก้ไขมันโดยใช้ 🤗 Transformers API ได้อย่างไร",Fl,S,xl,Y,Ws="ในแบบฝึกหัดที่ผ่านมาคุณได้เห็นแล้วว่าประโยคถูกแปลงไปเป็นลิสท์ของตัวเลขอย่างไร ทีนี้เรามาลองแปลงลิสท์ของตัวเลขนี้ไปเป็น tensor และใส่มันเข้าไปในโมเดล:",Hl,I,A,Nl,q,Es="โอ้วไม่นะ! ทำไมมันมีข้อผิดพลาดละ? ในเมื่อเราก็ทำตามขั้นตอนต่างๆ จาก pipeline ใน section 2",Sl,L,zs="ปัญหาก็คือเราใส่ประโยคเพียงประโยคเดียวเข้าไปในโมเดล แต่ในขณะที่โมเดล 🤗 Transformers นั้นต้องการประโยคหลายๆประโยค ในที่นี้เราได้ลองทำทุกอย่างที่ tokenizer ทำอยู่เบื้องหลังเมื่อเราใช้มันกับ <code>ประโยค(sequence)</code> แต่ถ้าคุณลองสังเกตุดีๆ คุณจะเห็นว่ามันไม่ได้เพียงแค่แปลง input IDs ไปเป็น tensor เท่านั้น แต่มันยังเพิ่มมิติ(dimension) ของ tensor อีกด้วย:",Yl,C,Z,Vl,K,Rs="ลองอีกครั้งและเพิ่มมิติ(dimension)ใหม่ด้วย:",ql,g,Q,Wl,P,Gs="เราแสดง input IDs พร้อมทั้งผล logits และนี่คือผลลัพธ์:",Ll,N,V,El,O,Xs="<em>Batching</em> คือ การส่งประโยคหลายๆประโยคเข้าไปยังโมเดลพร้อมๆกันทีเดียว ถ้าคุณมีแค่หนึ่งประโยค คุณก็สามารถสร้างชุด(batch)ของประโยค ที่มีเพียงแค่หนึ่งประโยคได้:",Kl,ll,Pl,sl,vs="นี่คือชุด(batch)ของข้อมูลที่ประด้วยสองประโยคที่เหมือนกัน!",Ol,G,ls,el,Bs="ฺBatching นั้นทำให้โมเดลสามารถทำงานได้เมื่อคุณใส่ประโยคหลายๆประโยคเข้าไป การใช้ประโยคหลายๆประโยคนั้นก็สามารถทำได้ง่ายเหมือนกับที่ทำกับประโยคเดียว แต่ก็ยังมีปัญหาที่สอง เมื่อคุณพยายามรวมประโยคตั้งแต่สองประโยคขึ้นไปเป็นชุดข้อมูลเดียวกัน แต่ประโยคเหล่านั้นอาจจะมีความยาวที่แตกต่างกัน ถ้าคุณเคยทำ tensors มาก่อนหน้านี้ คุณจะรู้ว่ามันจำเป็นต้องมีขนาดจตุรัส(rectangular) ดังนั้นคุณจะไม่สามารถแปลงลิสท์ของ input IDs ไปเป็น tensor ได้โดยตรง เราสามารถแก้ปัญหานี้ได้ด้วยการ <em>pad</em> อินพุต",ss,tl,es,nl,Ds="ลิสท์ของลิสท์ต่อไปนี้ไม่สามารถถูกแปลงไปเป็น tensor ได้:",ts,al,ns,pl,Fs="ในการแก้ปัญหานี้ เราจะใช้ <em>padding</em> เพื่อทำให้ tensor ของเรามีขนาดเป็นจตุรัส Padding จะทำให้ทุกประโยคของเรามีความยาวเท่ากันโดยการเพิ่มคำพิเศษ ที่เรียกว่า <em>padding token</em> ไปในประโยค ยกตัวอย่างเช่น ถ้าคุณมี 10 ประโยคที่แต่ละประโยคมี 10 คำ และมี 1 ประโยคที่มี 20 คำ padding ทำให้ทุกประโยคนั้นมี 20 คำเหมือนกัน ในตัวอย่างของเรา tensor ที่เป็นผลลัพท์ของเราเป็นแบบนี้:",as,Ml,ps,rl,xs="padding token ID สามารถหาได้ใน <code>tokenizer.pad_token_id</code> เรามาลองใช้มันดูและใส่ประโยคสองประโยคของเราเข้าไปในโมเดลทีละอันและใส่แบบเป็นชุด(batch)ด้วย:",Ms,W,E,zl,il,Hs="มีอะไรบางอย่างผิดปกติเกิดขึ้นกับ logits ในการทำนายแบบเป็นชุด(batch) ของเรา: แถวที่สองควรจะได้ logits เหมือนกันกับประโยคที่สอง แต่เราได้ที่ต่างกันโดยสิ้นเชิง!",rs,cl,Ss="นี่เป็นเพราะว่าคุณลักษณะสำคัญของโมเดล Transformer คือ attention layers ที่พิจารณาบริบทของแต่ละ token โดยจะมีการพิจารณา padding token ด้วย เนื่องจาก attention layers พิจารณาทุก tokens ของประโยค เพื่อให้ได้ผลลัพท์เดียวกันไม่ว่าจะใส่ประโยคที่ความยาวต่างกันเข้าไปทีละประโยคหรือใส่ประโยคเดียวกันนี้ที่มีการ padding ไปพร้อมกันทีละหลายๆประโยค(batch) เราจำเป็นที่จะต้องบอก attention layers เหล่านั้นให้ไม่ต้องพิจารณา padding tokens โดยสามารถทำได้ด้วยการใช้ attention mask",is,ul,cs,ol,Ys="<em>Attention masks</em> คือ tensors ที่มีขนาดเท่ากับ tensor ของ input IDs และประกอบด้วย 0 และ 1: 1 บ่งบอกว่า tokens ในตำแหน่งนั้นๆ จำเป็นต้องพิจารณา, และ 0 บ่งบอกว่า tokens ในตำแหน่งนั้นๆ ไม่ต้องพิจารณา(กล่าวคือ มันควรจะถูกละเลยโดย attention layers ของโมเดล)",us,ml,qs="มาทำตัวอย่างที่แล้วโดยใช้ attention mask กัน:",os,z,R,Rl,bl,Ls="ตอนนี้เราได้ logits เดียวกันสำหรับประโยคที่สองในชุด(batch) ของข้อมูล",ms,jl,Ks="สังเกตุว่าค่าสุดท้ายของประโยคที่สองนั้นเป็นอย่างไรใน padding ID ซึ่งก็คือค่า 0 ใน attention mask",bs,X,js,yl,ys,fl,Ps="การใช้โมเดล Transformer นั้นมีข้อจำกัดเรื่องความยาวของประโยคที่เราสามารถใส่เข้าไปได้ โมเดลส่วนใหญ่จะสามารถรองรับประโยคได้อย่างมาก 512 หรือ 1024 tokens และก็จะทำงานไม่ได้ถ้าให้มันประมวลผลประโยคที่ยาวขึ้น มีวีธีแก้ปัญหานี้อยู่ 2 วิธี:",fs,dl,Os="<li>ใช้โมเดลที่รองรับประโยคที่ยาวขึ้น</li> <li>ตัดประโยคของคุณให้สั้นลง</li>",ds,Ul,le='โมเดลต่างๆ รองรับความยาวของประโยคที่แตกต่างกัน และบางโมเดลนั้นเชี่ยวชาญในการจัดการกับประโยคที่ยาวๆ <a href="https://huggingface.co/transformers/model_doc/longformer.html" rel="nofollow">Longformer</a> เป็นหนึ่งตัวอย่าง และอีกตัวอย่างก็คือ <a href="https://huggingface.co/transformers/model_doc/led.html" rel="nofollow">LED</a> ถ้าคุณกำลังทำงานที่ต้องการประโยคที่ยาวมากๆ เราแนะนำให้คุณลองดูโมเดลเหล่านั้น',Us,Jl,se="หรือในทางตรงกันข้าม เราแนะนำให้คุณตัดประโยคของคุณให้สั้นลงโดยการระบุตัวแปร `max_sequence_length:",Js,hl,hs,wl,ws,Gl,Ts;t=new Ne({props:{fw:m[0]}}),D=new Xl({props:{title:"การจัดการกับหลายๆประโยค(multiple sequences)",local:"การจดการกบหลายๆประโยคmultiple-sequences",headingTag:"h1"}});const ee=[Ee,We],Tl=[];function te(l,n){return l[0]==="pt"?0:1}T=te(m),k=Tl[T]=ee[T](m);const ne=[Re,ze],kl=[];function ae(l,n){return l[0]==="pt"?0:1}_=ae(m),$=kl[_]=ne[_](m),S=new Xl({props:{title:"โมเดลคาดหวังที่จะได้ชุด(batch)ของข้อมูลเป็นอินพุต",local:"โมเดลคาดหวงทจะไดชดbatchของขอมลเปนอนพต",headingTag:"h2"}});const pe=[Xe,Ge],_l=[];function Me(l,n){return l[0]==="pt"?0:1}I=Me(m),A=_l[I]=pe[I](m);const re=[Be,ve],$l=[];function ie(l,n){return l[0]==="pt"?0:1}C=ie(m),Z=$l[C]=re[C](m);const ce=[Fe,De],Il=[];function ue(l,n){return l[0]==="pt"?0:1}g=ue(m),Q=Il[g]=ce[g](m);const oe=[He,xe],Al=[];function me(l,n){return l[0]==="pt"?0:1}N=me(m),V=Al[N]=oe[N](m),ll=new w({props:{code:"YmF0Y2hlZF9pZHMlMjAlM0QlMjAlNUJpZHMlMkMlMjBpZHMlNUQ=",highlighted:'<span class="hljs-attr">batched_ids</span> = [ids, ids]',wrap:!1}}),G=new Te({props:{$$slots:{default:[Se]},$$scope:{ctx:m}}}),tl=new Xl({props:{title:"การเติม(Padding) อินพุต",local:"การเตมpadding-อนพต",headingTag:"h2"}}),al=new w({props:{code:"YmF0Y2hlZF9pZHMlMjAlM0QlMjAlNUIlMEElMjAlMjAlMjAlMjAlNUIyMDAlMkMlMjAyMDAlMkMlMjAyMDAlNUQlMkMlMEElMjAlMjAlMjAlMjAlNUIyMDAlMkMlMjAyMDAlNUQlMEElNUQ=",highlighted:`batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>]
]`,wrap:!1}}),Ml=new w({props:{code:"cGFkZGluZ19pZCUyMCUzRCUyMDEwMCUwQSUwQWJhdGNoZWRfaWRzJTIwJTNEJTIwJTVCJTBBJTIwJTIwJTIwJTIwJTVCMjAwJTJDJTIwMjAwJTJDJTIwMjAwJTVEJTJDJTBBJTIwJTIwJTIwJTIwJTVCMjAwJTJDJTIwMjAwJTJDJTIwcGFkZGluZ19pZCU1RCUyQyUwQSU1RA==",highlighted:`padding_id = <span class="hljs-number">100</span>

batched_ids = [
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, <span class="hljs-number">200</span>],
    [<span class="hljs-number">200</span>, <span class="hljs-number">200</span>, padding_id],
]`,wrap:!1}});const be=[qe,Ye],Cl=[];function je(l,n){return l[0]==="pt"?0:1}W=je(m),E=Cl[W]=be[W](m),ul=new Xl({props:{title:"Attention masks",local:"attention-masks",headingTag:"h2"}});const ye=[Ke,Le],Zl=[];function fe(l,n){return l[0]==="pt"?0:1}return z=fe(m),R=Zl[z]=ye[z](m),X=new Te({props:{$$slots:{default:[Pe]},$$scope:{ctx:m}}}),yl=new Xl({props:{title:"ประโยคที่ยาวขึ้น",local:"ประโยคทยาวขน",headingTag:"h2"}}),hl=new w({props:{code:"c2VxdWVuY2UlMjAlM0QlMjBzZXF1ZW5jZSU1QiUzQW1heF9zZXF1ZW5jZV9sZW5ndGglNUQ=",highlighted:"sequence = sequence[:max_sequence_length]",wrap:!1}}),wl=new Ve({props:{source:"https://github.com/huggingface/course/blob/main/chapters/th/chapter2/5.mdx"}}),{c(){e=U("meta"),a=i(),s=U("p"),r=i(),b(t.$$.fragment),d=i(),b(D.$$.fragment),vl=i(),k.c(),gl=i(),$.c(),Ql=i(),F=U("p"),F.textContent=Qs,Bl=i(),x=U("ul"),x.innerHTML=Ns,Dl=i(),H=U("p"),H.textContent=Vs,Fl=i(),b(S.$$.fragment),xl=i(),Y=U("p"),Y.textContent=Ws,Hl=i(),A.c(),Nl=i(),q=U("p"),q.textContent=Es,Sl=i(),L=U("p"),L.innerHTML=zs,Yl=i(),Z.c(),Vl=i(),K=U("p"),K.textContent=Rs,ql=i(),Q.c(),Wl=i(),P=U("p"),P.textContent=Gs,Ll=i(),V.c(),El=i(),O=U("p"),O.innerHTML=Xs,Kl=i(),b(ll.$$.fragment),Pl=i(),sl=U("p"),sl.textContent=vs,Ol=i(),b(G.$$.fragment),ls=i(),el=U("p"),el.innerHTML=Bs,ss=i(),b(tl.$$.fragment),es=i(),nl=U("p"),nl.textContent=Ds,ts=i(),b(al.$$.fragment),ns=i(),pl=U("p"),pl.innerHTML=Fs,as=i(),b(Ml.$$.fragment),ps=i(),rl=U("p"),rl.innerHTML=xs,Ms=i(),E.c(),zl=i(),il=U("p"),il.textContent=Hs,rs=i(),cl=U("p"),cl.textContent=Ss,is=i(),b(ul.$$.fragment),cs=i(),ol=U("p"),ol.innerHTML=Ys,us=i(),ml=U("p"),ml.textContent=qs,os=i(),R.c(),Rl=i(),bl=U("p"),bl.textContent=Ls,ms=i(),jl=U("p"),jl.textContent=Ks,bs=i(),b(X.$$.fragment),js=i(),b(yl.$$.fragment),ys=i(),fl=U("p"),fl.textContent=Ps,fs=i(),dl=U("ul"),dl.innerHTML=Os,ds=i(),Ul=U("p"),Ul.innerHTML=le,Us=i(),Jl=U("p"),Jl.textContent=se,Js=i(),b(hl.$$.fragment),hs=i(),b(wl.$$.fragment),ws=i(),Gl=U("p"),this.h()},l(l){const n=ge("svelte-u9bgzb",document.head);e=J(n,"META",{name:!0,content:!0}),n.forEach(p),a=c(l),s=J(l,"P",{}),he(s).forEach(p),r=c(l),j(t.$$.fragment,l),d=c(l),j(D.$$.fragment,l),vl=c(l),k.l(l),gl=c(l),$.l(l),Ql=c(l),F=J(l,"P",{"data-svelte-h":!0}),h(F)!=="svelte-1nayy55"&&(F.textContent=Qs),Bl=c(l),x=J(l,"UL",{"data-svelte-h":!0}),h(x)!=="svelte-19jbi5e"&&(x.innerHTML=Ns),Dl=c(l),H=J(l,"P",{"data-svelte-h":!0}),h(H)!=="svelte-vu1ugr"&&(H.textContent=Vs),Fl=c(l),j(S.$$.fragment,l),xl=c(l),Y=J(l,"P",{"data-svelte-h":!0}),h(Y)!=="svelte-hqoa5u"&&(Y.textContent=Ws),Hl=c(l),A.l(l),Nl=c(l),q=J(l,"P",{"data-svelte-h":!0}),h(q)!=="svelte-1j51opz"&&(q.textContent=Es),Sl=c(l),L=J(l,"P",{"data-svelte-h":!0}),h(L)!=="svelte-1gox6q1"&&(L.innerHTML=zs),Yl=c(l),Z.l(l),Vl=c(l),K=J(l,"P",{"data-svelte-h":!0}),h(K)!=="svelte-kxmeqz"&&(K.textContent=Rs),ql=c(l),Q.l(l),Wl=c(l),P=J(l,"P",{"data-svelte-h":!0}),h(P)!=="svelte-av2t0x"&&(P.textContent=Gs),Ll=c(l),V.l(l),El=c(l),O=J(l,"P",{"data-svelte-h":!0}),h(O)!=="svelte-1vsfiid"&&(O.innerHTML=Xs),Kl=c(l),j(ll.$$.fragment,l),Pl=c(l),sl=J(l,"P",{"data-svelte-h":!0}),h(sl)!=="svelte-10xevyd"&&(sl.textContent=vs),Ol=c(l),j(G.$$.fragment,l),ls=c(l),el=J(l,"P",{"data-svelte-h":!0}),h(el)!=="svelte-8lr0fp"&&(el.innerHTML=Bs),ss=c(l),j(tl.$$.fragment,l),es=c(l),nl=J(l,"P",{"data-svelte-h":!0}),h(nl)!=="svelte-1ck280d"&&(nl.textContent=Ds),ts=c(l),j(al.$$.fragment,l),ns=c(l),pl=J(l,"P",{"data-svelte-h":!0}),h(pl)!=="svelte-624wgs"&&(pl.innerHTML=Fs),as=c(l),j(Ml.$$.fragment,l),ps=c(l),rl=J(l,"P",{"data-svelte-h":!0}),h(rl)!=="svelte-10stmc1"&&(rl.innerHTML=xs),Ms=c(l),E.l(l),zl=c(l),il=J(l,"P",{"data-svelte-h":!0}),h(il)!=="svelte-1s9kjzm"&&(il.textContent=Hs),rs=c(l),cl=J(l,"P",{"data-svelte-h":!0}),h(cl)!=="svelte-oertkq"&&(cl.textContent=Ss),is=c(l),j(ul.$$.fragment,l),cs=c(l),ol=J(l,"P",{"data-svelte-h":!0}),h(ol)!=="svelte-1h6wd95"&&(ol.innerHTML=Ys),us=c(l),ml=J(l,"P",{"data-svelte-h":!0}),h(ml)!=="svelte-17lshpb"&&(ml.textContent=qs),os=c(l),R.l(l),Rl=c(l),bl=J(l,"P",{"data-svelte-h":!0}),h(bl)!=="svelte-d1gdbd"&&(bl.textContent=Ls),ms=c(l),jl=J(l,"P",{"data-svelte-h":!0}),h(jl)!=="svelte-6fh5u5"&&(jl.textContent=Ks),bs=c(l),j(X.$$.fragment,l),js=c(l),j(yl.$$.fragment,l),ys=c(l),fl=J(l,"P",{"data-svelte-h":!0}),h(fl)!=="svelte-i30j5z"&&(fl.textContent=Ps),fs=c(l),dl=J(l,"UL",{"data-svelte-h":!0}),h(dl)!=="svelte-1v9sdv"&&(dl.innerHTML=Os),ds=c(l),Ul=J(l,"P",{"data-svelte-h":!0}),h(Ul)!=="svelte-1gococu"&&(Ul.innerHTML=le),Us=c(l),Jl=J(l,"P",{"data-svelte-h":!0}),h(Jl)!=="svelte-k8idjk"&&(Jl.textContent=se),Js=c(l),j(hl.$$.fragment,l),hs=c(l),j(wl.$$.fragment,l),ws=c(l),Gl=J(l,"P",{}),he(Gl).forEach(p),this.h()},h(){we(e,"name","hf:doc:metadata"),we(e,"content",lt)},m(l,n){Qe(document.head,e),M(l,a,n),M(l,s,n),M(l,r,n),y(t,l,n),M(l,d,n),y(D,l,n),M(l,vl,n),Tl[T].m(l,n),M(l,gl,n),kl[_].m(l,n),M(l,Ql,n),M(l,F,n),M(l,Bl,n),M(l,x,n),M(l,Dl,n),M(l,H,n),M(l,Fl,n),y(S,l,n),M(l,xl,n),M(l,Y,n),M(l,Hl,n),_l[I].m(l,n),M(l,Nl,n),M(l,q,n),M(l,Sl,n),M(l,L,n),M(l,Yl,n),$l[C].m(l,n),M(l,Vl,n),M(l,K,n),M(l,ql,n),Il[g].m(l,n),M(l,Wl,n),M(l,P,n),M(l,Ll,n),Al[N].m(l,n),M(l,El,n),M(l,O,n),M(l,Kl,n),y(ll,l,n),M(l,Pl,n),M(l,sl,n),M(l,Ol,n),y(G,l,n),M(l,ls,n),M(l,el,n),M(l,ss,n),y(tl,l,n),M(l,es,n),M(l,nl,n),M(l,ts,n),y(al,l,n),M(l,ns,n),M(l,pl,n),M(l,as,n),y(Ml,l,n),M(l,ps,n),M(l,rl,n),M(l,Ms,n),Cl[W].m(l,n),M(l,zl,n),M(l,il,n),M(l,rs,n),M(l,cl,n),M(l,is,n),y(ul,l,n),M(l,cs,n),M(l,ol,n),M(l,us,n),M(l,ml,n),M(l,os,n),Zl[z].m(l,n),M(l,Rl,n),M(l,bl,n),M(l,ms,n),M(l,jl,n),M(l,bs,n),y(X,l,n),M(l,js,n),y(yl,l,n),M(l,ys,n),M(l,fl,n),M(l,fs,n),M(l,dl,n),M(l,ds,n),M(l,Ul,n),M(l,Us,n),M(l,Jl,n),M(l,Js,n),y(hl,l,n),M(l,hs,n),y(wl,l,n),M(l,ws,n),M(l,Gl,n),Ts=!0},p(l,[n]){const de={};n&1&&(de.fw=l[0]),t.$set(de);let ks=T;T=te(l),T!==ks&&(B(),u(Tl[ks],1,1,()=>{Tl[ks]=null}),v(),k=Tl[T],k||(k=Tl[T]=ee[T](l),k.c()),o(k,1),k.m(gl.parentNode,gl));let _s=_;_=ae(l),_!==_s&&(B(),u(kl[_s],1,1,()=>{kl[_s]=null}),v(),$=kl[_],$||($=kl[_]=ne[_](l),$.c()),o($,1),$.m(Ql.parentNode,Ql));let $s=I;I=Me(l),I!==$s&&(B(),u(_l[$s],1,1,()=>{_l[$s]=null}),v(),A=_l[I],A||(A=_l[I]=pe[I](l),A.c()),o(A,1),A.m(Nl.parentNode,Nl));let Is=C;C=ie(l),C!==Is&&(B(),u($l[Is],1,1,()=>{$l[Is]=null}),v(),Z=$l[C],Z||(Z=$l[C]=re[C](l),Z.c()),o(Z,1),Z.m(Vl.parentNode,Vl));let As=g;g=ue(l),g!==As&&(B(),u(Il[As],1,1,()=>{Il[As]=null}),v(),Q=Il[g],Q||(Q=Il[g]=ce[g](l),Q.c()),o(Q,1),Q.m(Wl.parentNode,Wl));let Cs=N;N=me(l),N!==Cs&&(B(),u(Al[Cs],1,1,()=>{Al[Cs]=null}),v(),V=Al[N],V||(V=Al[N]=oe[N](l),V.c()),o(V,1),V.m(El.parentNode,El));const Ue={};n&2&&(Ue.$$scope={dirty:n,ctx:l}),G.$set(Ue);let Zs=W;W=je(l),W!==Zs&&(B(),u(Cl[Zs],1,1,()=>{Cl[Zs]=null}),v(),E=Cl[W],E||(E=Cl[W]=be[W](l),E.c()),o(E,1),E.m(zl.parentNode,zl));let gs=z;z=fe(l),z!==gs&&(B(),u(Zl[gs],1,1,()=>{Zl[gs]=null}),v(),R=Zl[z],R||(R=Zl[z]=ye[z](l),R.c()),o(R,1),R.m(Rl.parentNode,Rl));const Je={};n&2&&(Je.$$scope={dirty:n,ctx:l}),X.$set(Je)},i(l){Ts||(o(t.$$.fragment,l),o(D.$$.fragment,l),o(k),o($),o(S.$$.fragment,l),o(A),o(Z),o(Q),o(V),o(ll.$$.fragment,l),o(G.$$.fragment,l),o(tl.$$.fragment,l),o(al.$$.fragment,l),o(Ml.$$.fragment,l),o(E),o(ul.$$.fragment,l),o(R),o(X.$$.fragment,l),o(yl.$$.fragment,l),o(hl.$$.fragment,l),o(wl.$$.fragment,l),Ts=!0)},o(l){u(t.$$.fragment,l),u(D.$$.fragment,l),u(k),u($),u(S.$$.fragment,l),u(A),u(Z),u(Q),u(V),u(ll.$$.fragment,l),u(G.$$.fragment,l),u(tl.$$.fragment,l),u(al.$$.fragment,l),u(Ml.$$.fragment,l),u(E),u(ul.$$.fragment,l),u(R),u(X.$$.fragment,l),u(yl.$$.fragment,l),u(hl.$$.fragment,l),u(wl.$$.fragment,l),Ts=!1},d(l){l&&(p(a),p(s),p(r),p(d),p(vl),p(gl),p(Ql),p(F),p(Bl),p(x),p(Dl),p(H),p(Fl),p(xl),p(Y),p(Hl),p(Nl),p(q),p(Sl),p(L),p(Yl),p(Vl),p(K),p(ql),p(Wl),p(P),p(Ll),p(El),p(O),p(Kl),p(Pl),p(sl),p(Ol),p(ls),p(el),p(ss),p(es),p(nl),p(ts),p(ns),p(pl),p(as),p(ps),p(rl),p(Ms),p(zl),p(il),p(rs),p(cl),p(is),p(cs),p(ol),p(us),p(ml),p(os),p(Rl),p(bl),p(ms),p(jl),p(bs),p(js),p(ys),p(fl),p(fs),p(dl),p(ds),p(Ul),p(Us),p(Jl),p(Js),p(hs),p(ws),p(Gl)),p(e),f(t,l),f(D,l),Tl[T].d(l),kl[_].d(l),f(S,l),_l[I].d(l),$l[C].d(l),Il[g].d(l),Al[N].d(l),f(ll,l),f(G,l),f(tl,l),f(al,l),f(Ml,l),Cl[W].d(l),f(ul,l),Zl[z].d(l),f(X,l),f(yl,l),f(hl,l),f(wl,l)}}}const lt='{"title":"การจัดการกับหลายๆประโยค(multiple sequences)","local":"การจดการกบหลายๆประโยคmultiple-sequences","sections":[{"title":"โมเดลคาดหวังที่จะได้ชุด(batch)ของข้อมูลเป็นอินพุต","local":"โมเดลคาดหวงทจะไดชดbatchของขอมลเปนอนพต","sections":[],"depth":2},{"title":"การเติม(Padding) อินพุต","local":"การเตมpadding-อนพต","sections":[],"depth":2},{"title":"Attention masks","local":"attention-masks","sections":[],"depth":2},{"title":"ประโยคที่ยาวขึ้น","local":"ประโยคทยาวขน","sections":[],"depth":2}],"depth":1}';function st(m,e,a){let s="pt";return Ae(()=>{const r=new URLSearchParams(window.location.search);a(0,s=r.get("fw")||"pt")}),[s]}class ct extends Ce{constructor(e){super(),Ze(this,e,st,Oe,Ie,{})}}export{ct as component};