course/pr_1095/th/_app/immutable/nodes/17.bcbe129f.js

import{s as Ie,o as Ae}from"../chunks/scheduler.505acc25.js";import{S as Ce,i as Ze,e as U,s as i,c as b,h as ge,a as J,d as a,b as c,f as ke,g as j,j as h,k as $s,l as Qe,m as M,n as y,o as u,q as B,t as o,p as f,r as v}from"../chunks/index.17dd9071.js";import{C as Ne,H as Bl,E as Ve}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.2fb8816f.js";import{Y as _e}from"../chunks/Youtube.793fe4bf.js";import{C as T}from"../chunks/CodeBlock.e5979fb3.js";import{C as $e}from"../chunks/CourseFloatingBanner.9496b79e.js";import{F as Ee}from"../chunks/FrameworkSwitchCourse.7aa4b983.js";function We(d){let t,p;return t=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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function ze(d){let t,p;return t=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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Re(d){let t,p;return t=new _e({props:{id:"ROxrFOEbsQE"}}),{c(){b(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Ge(d){let t,p;return t=new _e({props:{id:"M6adb1j2jPI"}}),{c(){b(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Xe(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function Be(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function ve(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function De(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function xe(d){let t,p;return t=new T({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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Fe(d){let t,p;return t=new T({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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function He(d){let t,p;return t=new T({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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Se(d){let t,p;return t=new T({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(t.$$.fragment)},l(s){j(t.$$.fragment,s)},m(s,r){y(t,s,r),p=!0},i(s){p||(o(t.$$.fragment,s),p=!0)},o(s){u(t.$$.fragment,s),p=!1},d(s){f(t,s)}}}function Ye(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function qe(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function Le(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function Ke(d){let t,p,s,r;return t=new T({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 T({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(t.$$.fragment),p=i(),b(s.$$.fragment)},l(e){j(t.$$.fragment,e),p=c(e),j(s.$$.fragment,e)},m(e,m){y(t,e,m),M(e,p,m),y(s,e,m),r=!0},i(e){r||(o(t.$$.fragment,e),o(s.$$.fragment,e),r=!0)},o(e){u(t.$$.fragment,e),u(s.$$.fragment,e),r=!1},d(e){e&&a(p),f(t,e),f(s,e)}}}function Pe(d){let t,p,s,r,e,m,D,vl,x,Dl,w,k,Ql,_,$,Nl,F,Es="ใน section ที่แล้ว เราได้ลองทำตัวอย่างการใช้งานที่ง่ายที่สุด: คือการอนุมาน(inference)โดยใช้ประโยคสั้นๆ เพียงประโยคเดียว อย่างไรก็ตาม ก็มีบางคำถามเกิดขึ้นมา:",xl,H,Ws="<li>เราจะจัดการกับประโยคหลายๆประโยคอย่างไร?</li> <li>เราจะจัดการกับประโยคหลายๆประโยคที่มี <em>ความยาวต่างกัน</em> อย่างไร?</li> <li>ดัชนีคำศัพท์(vocabulary indices) เป็นเพียงข้อมูลประเภทเดียวที่ทำให้โมเดลทำงานได้ดีหรือไม่?</li> <li>มีประโยคที่เป็นประโยคที่ยาวเกินไปหรือไม่?</li>",Fl,S,zs="มาดูกันว่าปัญหาประเภทใดบ้างที่เกิดขึ้นจากคำถามเหล่านี้ และเราจะแก้ไขมันโดยใช้ 🤗 Transformers API ได้อย่างไร",Hl,Y,Sl,q,Rs="ในแบบฝึกหัดที่ผ่านมาคุณได้เห็นแล้วว่าประโยคถูกแปลงไปเป็นลิสท์ของตัวเลขอย่างไร ทีนี้เรามาลองแปลงลิสท์ของตัวเลขนี้ไปเป็น tensor และใส่มันเข้าไปในโมเดล:",Yl,I,A,Vl,L,Gs="โอ้วไม่นะ! ทำไมมันมีข้อผิดพลาดละ? ในเมื่อเราก็ทำตามขั้นตอนต่างๆ จาก pipeline ใน section 2",ql,K,Xs="ปัญหาก็คือเราใส่ประโยคเพียงประโยคเดียวเข้าไปในโมเดล แต่ในขณะที่โมเดล 🤗 Transformers นั้นต้องการประโยคหลายๆประโยค ในที่นี้เราได้ลองทำทุกอย่างที่ tokenizer ทำอยู่เบื้องหลังเมื่อเราใช้มันกับ <code>ประโยค(sequence)</code> แต่ถ้าคุณลองสังเกตุดีๆ คุณจะเห็นว่ามันไม่ได้เพียงแค่แปลง input IDs ไปเป็น tensor เท่านั้น แต่มันยังเพิ่มมิติ(dimension) ของ tensor อีกด้วย:",Ll,C,Z,El,P,Bs="ลองอีกครั้งและเพิ่มมิติ(dimension)ใหม่ด้วย:",Kl,g,Q,Wl,O,vs="เราแสดง input IDs พร้อมทั้งผล logits และนี่คือผลลัพธ์:",Pl,N,V,zl,ll,Ds="<em>Batching</em> คือ การส่งประโยคหลายๆประโยคเข้าไปยังโมเดลพร้อมๆกันทีเดียว ถ้าคุณมีแค่หนึ่งประโยค คุณก็สามารถสร้างชุด(batch)ของประโยค ที่มีเพียงแค่หนึ่งประโยคได้:",Ol,sl,ls,el,xs="นี่คือชุด(batch)ของข้อมูลที่ประด้วยสองประโยคที่เหมือนกัน!",ss,G,Fs="<p>✏️ <strong>Try it out!</strong> แปลงลิสท์ของ <code>batched_ids</code> นี้ไปเป็น tensor และใส่เข้าไปในโมเดลของคุณ แล้วลองตรวจสอบดูว่าคุณได้ logits เหมือนกับที่ได้ก่อนหน้านี้ไหม(แต่ได้สองค่า)!</p>",es,tl,Hs="ฺBatching นั้นทำให้โมเดลสามารถทำงานได้เมื่อคุณใส่ประโยคหลายๆประโยคเข้าไป การใช้ประโยคหลายๆประโยคนั้นก็สามารถทำได้ง่ายเหมือนกับที่ทำกับประโยคเดียว แต่ก็ยังมีปัญหาที่สอง เมื่อคุณพยายามรวมประโยคตั้งแต่สองประโยคขึ้นไปเป็นชุดข้อมูลเดียวกัน แต่ประโยคเหล่านั้นอาจจะมีความยาวที่แตกต่างกัน ถ้าคุณเคยทำ tensors มาก่อนหน้านี้ คุณจะรู้ว่ามันจำเป็นต้องมีขนาดจตุรัส(rectangular) ดังนั้นคุณจะไม่สามารถแปลงลิสท์ของ input IDs ไปเป็น tensor ได้โดยตรง เราสามารถแก้ปัญหานี้ได้ด้วยการ <em>pad</em> อินพุต",ts,nl,ns,al,Ss="ลิสท์ของลิสท์ต่อไปนี้ไม่สามารถถูกแปลงไปเป็น tensor ได้:",as,pl,ps,Ml,Ys="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:",Ms,rl,rs,il,qs="padding token ID สามารถหาได้ใน <code>tokenizer.pad_token_id</code> เรามาลองใช้มันดูและใส่ประโยคสองประโยคของเราเข้าไปในโมเดลทีละอันและใส่แบบเป็นชุด(batch)ด้วย:",is,E,W,Rl,cl,Ls="มีอะไรบางอย่างผิดปกติเกิดขึ้นกับ logits ในการทำนายแบบเป็นชุด(batch) ของเรา: แถวที่สองควรจะได้ logits เหมือนกันกับประโยคที่สอง แต่เราได้ที่ต่างกันโดยสิ้นเชิง!",cs,ul,Ks="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",us,ol,os,ml,Ps="<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)",ms,bl,Os="มาทำตัวอย่างที่แล้วโดยใช้ attention mask กัน:",bs,z,R,Gl,jl,le="ตอนนี้เราได้ logits เดียวกันสำหรับประโยคที่สองในชุด(batch) ของข้อมูล",js,yl,se="สังเกตุว่าค่าสุดท้ายของประโยคที่สองนั้นเป็นอย่างไรใน padding ID ซึ่งก็คือค่า 0 ใน attention mask",ys,X,ee="<p>✏️ <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!</p>",fs,fl,ds,dl,te="การใช้โมเดล Transformer นั้นมีข้อจำกัดเรื่องความยาวของประโยคที่เราสามารถใส่เข้าไปได้ โมเดลส่วนใหญ่จะสามารถรองรับประโยคได้อย่างมาก 512 หรือ 1024 tokens และก็จะทำงานไม่ได้ถ้าให้มันประมวลผลประโยคที่ยาวขึ้น มีวีธีแก้ปัญหานี้อยู่ 2 วิธี:",Us,Ul,ne="<li>ใช้โมเดลที่รองรับประโยคที่ยาวขึ้น</li> <li>ตัดประโยคของคุณให้สั้นลง</li>",Js,Jl,ae='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',hs,hl,pe="หรือในทางตรงกันข้าม เราแนะนำให้คุณตัดประโยคของคุณให้สั้นลงโดยการระบุตัวแปร `max_sequence_length:",Ts,Tl,ws,wl,ks,Xl,_s;e=new Ee({props:{fw:d[0]}}),D=new Ne({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),x=new Bl({props:{title:"การจัดการกับหลายๆประโยค(multiple sequences)",local:"การจดการกบหลายๆประโยคmultiple-sequences",headingTag:"h1"}});const Me=[ze,We],kl=[];function re(l,n){return l[0]==="pt"?0:1}w=re(d),k=kl[w]=Me[w](d);const ie=[Ge,Re],_l=[];function ce(l,n){return l[0]==="pt"?0:1}_=ce(d),$=_l[_]=ie[_](d),Y=new Bl({props:{title:"โมเดลคาดหวังที่จะได้ชุด(batch)ของข้อมูลเป็นอินพุต",local:"โมเดลคาดหวงทจะไดชดbatchของขอมลเปนอนพต",headingTag:"h2"}});const ue=[Be,Xe],$l=[];function oe(l,n){return l[0]==="pt"?0:1}I=oe(d),A=$l[I]=ue[I](d);const me=[De,ve],Il=[];function be(l,n){return l[0]==="pt"?0:1}C=be(d),Z=Il[C]=me[C](d);const je=[Fe,xe],Al=[];function ye(l,n){return l[0]==="pt"?0:1}g=ye(d),Q=Al[g]=je[g](d);const fe=[Se,He],Cl=[];function de(l,n){return l[0]==="pt"?0:1}N=de(d),V=Cl[N]=fe[N](d),sl=new T({props:{code:"YmF0Y2hlZF9pZHMlMjAlM0QlMjAlNUJpZHMlMkMlMjBpZHMlNUQ=",highlighted:'<span class="hljs-attr">batched_ids</span> = [ids, ids]',wrap:!1}}),nl=new Bl({props:{title:"การเติม(Padding) อินพุต",local:"การเตมpadding-อนพต",headingTag:"h2"}}),pl=new T({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}}),rl=new T({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 Ue=[qe,Ye],Zl=[];function Je(l,n){return l[0]==="pt"?0:1}E=Je(d),W=Zl[E]=Ue[E](d),ol=new Bl({props:{title:"Attention masks",local:"attention-masks",headingTag:"h2"}});const he=[Ke,Le],gl=[];function Te(l,n){return l[0]==="pt"?0:1}return z=Te(d),R=gl[z]=he[z](d),fl=new Bl({props:{title:"ประโยคที่ยาวขึ้น",local:"ประโยคทยาวขน",headingTag:"h2"}}),Tl=new T({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(){t=U("meta"),p=i(),s=U("p"),r=i(),b(e.$$.fragment),m=i(),b(D.$$.fragment),vl=i(),b(x.$$.fragment),Dl=i(),k.c(),Ql=i(),$.c(),Nl=i(),F=U("p"),F.textContent=Es,xl=i(),H=U("ul"),H.innerHTML=Ws,Fl=i(),S=U("p"),S.textContent=zs,Hl=i(),b(Y.$$.fragment),Sl=i(),q=U("p"),q.textContent=Rs,Yl=i(),A.c(),Vl=i(),L=U("p"),L.textContent=Gs,ql=i(),K=U("p"),K.innerHTML=Xs,Ll=i(),Z.c(),El=i(),P=U("p"),P.textContent=Bs,Kl=i(),Q.c(),Wl=i(),O=U("p"),O.textContent=vs,Pl=i(),V.c(),zl=i(),ll=U("p"),ll.innerHTML=Ds,Ol=i(),b(sl.$$.fragment),ls=i(),el=U("p"),el.textContent=xs,ss=i(),G=U("blockquote"),G.innerHTML=Fs,es=i(),tl=U("p"),tl.innerHTML=Hs,ts=i(),b(nl.$$.fragment),ns=i(),al=U("p"),al.textContent=Ss,as=i(),b(pl.$$.fragment),ps=i(),Ml=U("p"),Ml.innerHTML=Ys,Ms=i(),b(rl.$$.fragment),rs=i(),il=U("p"),il.innerHTML=qs,is=i(),W.c(),Rl=i(),cl=U("p"),cl.textContent=Ls,cs=i(),ul=U("p"),ul.textContent=Ks,us=i(),b(ol.$$.fragment),os=i(),ml=U("p"),ml.innerHTML=Ps,ms=i(),bl=U("p"),bl.textContent=Os,bs=i(),R.c(),Gl=i(),jl=U("p"),jl.textContent=le,js=i(),yl=U("p"),yl.textContent=se,ys=i(),X=U("blockquote"),X.innerHTML=ee,fs=i(),b(fl.$$.fragment),ds=i(),dl=U("p"),dl.textContent=te,Us=i(),Ul=U("ul"),Ul.innerHTML=ne,Js=i(),Jl=U("p"),Jl.innerHTML=ae,hs=i(),hl=U("p"),hl.textContent=pe,Ts=i(),b(Tl.$$.fragment),ws=i(),b(wl.$$.fragment),ks=i(),Xl=U("p"),this.h()},l(l){const n=ge("svelte-u9bgzb",document.head);t=J(n,"META",{name:!0,content:!0}),n.forEach(a),p=c(l),s=J(l,"P",{}),ke(s).forEach(a),r=c(l),j(e.$$.fragment,l),m=c(l),j(D.$$.fragment,l),vl=c(l),j(x.$$.fragment,l),Dl=c(l),k.l(l),Ql=c(l),$.l(l),Nl=c(l),F=J(l,"P",{"data-svelte-h":!0}),h(F)!=="svelte-1nayy55"&&(F.textContent=Es),xl=c(l),H=J(l,"UL",{"data-svelte-h":!0}),h(H)!=="svelte-19jbi5e"&&(H.innerHTML=Ws),Fl=c(l),S=J(l,"P",{"data-svelte-h":!0}),h(S)!=="svelte-vu1ugr"&&(S.textContent=zs),Hl=c(l),j(Y.$$.fragment,l),Sl=c(l),q=J(l,"P",{"data-svelte-h":!0}),h(q)!=="svelte-hqoa5u"&&(q.textContent=Rs),Yl=c(l),A.l(l),Vl=c(l),L=J(l,"P",{"data-svelte-h":!0}),h(L)!=="svelte-1j51opz"&&(L.textContent=Gs),ql=c(l),K=J(l,"P",{"data-svelte-h":!0}),h(K)!=="svelte-1gox6q1"&&(K.innerHTML=Xs),Ll=c(l),Z.l(l),El=c(l),P=J(l,"P",{"data-svelte-h":!0}),h(P)!=="svelte-kxmeqz"&&(P.textContent=Bs),Kl=c(l),Q.l(l),Wl=c(l),O=J(l,"P",{"data-svelte-h":!0}),h(O)!=="svelte-av2t0x"&&(O.textContent=vs),Pl=c(l),V.l(l),zl=c(l),ll=J(l,"P",{"data-svelte-h":!0}),h(ll)!=="svelte-1vsfiid"&&(ll.innerHTML=Ds),Ol=c(l),j(sl.$$.fragment,l),ls=c(l),el=J(l,"P",{"data-svelte-h":!0}),h(el)!=="svelte-10xevyd"&&(el.textContent=xs),ss=c(l),G=J(l,"BLOCKQUOTE",{class:!0,"data-svelte-h":!0}),h(G)!=="svelte-1hum2dn"&&(G.innerHTML=Fs),es=c(l),tl=J(l,"P",{"data-svelte-h":!0}),h(tl)!=="svelte-8lr0fp"&&(tl.innerHTML=Hs),ts=c(l),j(nl.$$.fragment,l),ns=c(l),al=J(l,"P",{"data-svelte-h":!0}),h(al)!=="svelte-1ck280d"&&(al.textContent=Ss),as=c(l),j(pl.$$.fragment,l),ps=c(l),Ml=J(l,"P",{"data-svelte-h":!0}),h(Ml)!=="svelte-624wgs"&&(Ml.innerHTML=Ys),Ms=c(l),j(rl.$$.fragment,l),rs=c(l),il=J(l,"P",{"data-svelte-h":!0}),h(il)!=="svelte-10stmc1"&&(il.innerHTML=qs),is=c(l),W.l(l),Rl=c(l),cl=J(l,"P",{"data-svelte-h":!0}),h(cl)!=="svelte-1s9kjzm"&&(cl.textContent=Ls),cs=c(l),ul=J(l,"P",{"data-svelte-h":!0}),h(ul)!=="svelte-oertkq"&&(ul.textContent=Ks),us=c(l),j(ol.$$.fragment,l),os=c(l),ml=J(l,"P",{"data-svelte-h":!0}),h(ml)!=="svelte-1h6wd95"&&(ml.innerHTML=Ps),ms=c(l),bl=J(l,"P",{"data-svelte-h":!0}),h(bl)!=="svelte-17lshpb"&&(bl.textContent=Os),bs=c(l),R.l(l),Gl=c(l),jl=J(l,"P",{"data-svelte-h":!0}),h(jl)!=="svelte-d1gdbd"&&(jl.textContent=le),js=c(l),yl=J(l,"P",{"data-svelte-h":!0}),h(yl)!=="svelte-6fh5u5"&&(yl.textContent=se),ys=c(l),X=J(l,"BLOCKQUOTE",{class:!0,"data-svelte-h":!0}),h(X)!=="svelte-loznk6"&&(X.innerHTML=ee),fs=c(l),j(fl.$$.fragment,l),ds=c(l),dl=J(l,"P",{"data-svelte-h":!0}),h(dl)!=="svelte-i30j5z"&&(dl.textContent=te),Us=c(l),Ul=J(l,"UL",{"data-svelte-h":!0}),h(Ul)!=="svelte-1v9sdv"&&(Ul.innerHTML=ne),Js=c(l),Jl=J(l,"P",{"data-svelte-h":!0}),h(Jl)!=="svelte-1gococu"&&(Jl.innerHTML=ae),hs=c(l),hl=J(l,"P",{"data-svelte-h":!0}),h(hl)!=="svelte-k8idjk"&&(hl.textContent=pe),Ts=c(l),j(Tl.$$.fragment,l),ws=c(l),j(wl.$$.fragment,l),ks=c(l),Xl=J(l,"P",{}),ke(Xl).forEach(a),this.h()},h(){$s(t,"name","hf:doc:metadata"),$s(t,"content",Oe),$s(G,"class","tip"),$s(X,"class","tip")},m(l,n){Qe(document.head,t),M(l,p,n),M(l,s,n),M(l,r,n),y(e,l,n),M(l,m,n),y(D,l,n),M(l,vl,n),y(x,l,n),M(l,Dl,n),kl[w].m(l,n),M(l,Ql,n),_l[_].m(l,n),M(l,Nl,n),M(l,F,n),M(l,xl,n),M(l,H,n),M(l,Fl,n),M(l,S,n),M(l,Hl,n),y(Y,l,n),M(l,Sl,n),M(l,q,n),M(l,Yl,n),$l[I].m(l,n),M(l,Vl,n),M(l,L,n),M(l,ql,n),M(l,K,n),M(l,Ll,n),Il[C].m(l,n),M(l,El,n),M(l,P,n),M(l,Kl,n),Al[g].m(l,n),M(l,Wl,n),M(l,O,n),M(l,Pl,n),Cl[N].m(l,n),M(l,zl,n),M(l,ll,n),M(l,Ol,n),y(sl,l,n),M(l,ls,n),M(l,el,n),M(l,ss,n),M(l,G,n),M(l,es,n),M(l,tl,n),M(l,ts,n),y(nl,l,n),M(l,ns,n),M(l,al,n),M(l,as,n),y(pl,l,n),M(l,ps,n),M(l,Ml,n),M(l,Ms,n),y(rl,l,n),M(l,rs,n),M(l,il,n),M(l,is,n),Zl[E].m(l,n),M(l,Rl,n),M(l,cl,n),M(l,cs,n),M(l,ul,n),M(l,us,n),y(ol,l,n),M(l,os,n),M(l,ml,n),M(l,ms,n),M(l,bl,n),M(l,bs,n),gl[z].m(l,n),M(l,Gl,n),M(l,jl,n),M(l,js,n),M(l,yl,n),M(l,ys,n),M(l,X,n),M(l,fs,n),y(fl,l,n),M(l,ds,n),M(l,dl,n),M(l,Us,n),M(l,Ul,n),M(l,Js,n),M(l,Jl,n),M(l,hs,n),M(l,hl,n),M(l,Ts,n),y(Tl,l,n),M(l,ws,n),y(wl,l,n),M(l,ks,n),M(l,Xl,n),_s=!0},p(l,[n]){const we={};n&1&&(we.fw=l[0]),e.$set(we);let Is=w;w=re(l),w!==Is&&(v(),u(kl[Is],1,1,()=>{kl[Is]=null}),B(),k=kl[w],k||(k=kl[w]=Me[w](l),k.c()),o(k,1),k.m(Ql.parentNode,Ql));let As=_;_=ce(l),_!==As&&(v(),u(_l[As],1,1,()=>{_l[As]=null}),B(),$=_l[_],$||($=_l[_]=ie[_](l),$.c()),o($,1),$.m(Nl.parentNode,Nl));let Cs=I;I=oe(l),I!==Cs&&(v(),u($l[Cs],1,1,()=>{$l[Cs]=null}),B(),A=$l[I],A||(A=$l[I]=ue[I](l),A.c()),o(A,1),A.m(Vl.parentNode,Vl));let Zs=C;C=be(l),C!==Zs&&(v(),u(Il[Zs],1,1,()=>{Il[Zs]=null}),B(),Z=Il[C],Z||(Z=Il[C]=me[C](l),Z.c()),o(Z,1),Z.m(El.parentNode,El));let gs=g;g=ye(l),g!==gs&&(v(),u(Al[gs],1,1,()=>{Al[gs]=null}),B(),Q=Al[g],Q||(Q=Al[g]=je[g](l),Q.c()),o(Q,1),Q.m(Wl.parentNode,Wl));let Qs=N;N=de(l),N!==Qs&&(v(),u(Cl[Qs],1,1,()=>{Cl[Qs]=null}),B(),V=Cl[N],V||(V=Cl[N]=fe[N](l),V.c()),o(V,1),V.m(zl.parentNode,zl));let Ns=E;E=Je(l),E!==Ns&&(v(),u(Zl[Ns],1,1,()=>{Zl[Ns]=null}),B(),W=Zl[E],W||(W=Zl[E]=Ue[E](l),W.c()),o(W,1),W.m(Rl.parentNode,Rl));let Vs=z;z=Te(l),z!==Vs&&(v(),u(gl[Vs],1,1,()=>{gl[Vs]=null}),B(),R=gl[z],R||(R=gl[z]=he[z](l),R.c()),o(R,1),R.m(Gl.parentNode,Gl))},i(l){_s||(o(e.$$.fragment,l),o(D.$$.fragment,l),o(x.$$.fragment,l),o(k),o($),o(Y.$$.fragment,l),o(A),o(Z),o(Q),o(V),o(sl.$$.fragment,l),o(nl.$$.fragment,l),o(pl.$$.fragment,l),o(rl.$$.fragment,l),o(W),o(ol.$$.fragment,l),o(R),o(fl.$$.fragment,l),o(Tl.$$.fragment,l),o(wl.$$.fragment,l),_s=!0)},o(l){u(e.$$.fragment,l),u(D.$$.fragment,l),u(x.$$.fragment,l),u(k),u($),u(Y.$$.fragment,l),u(A),u(Z),u(Q),u(V),u(sl.$$.fragment,l),u(nl.$$.fragment,l),u(pl.$$.fragment,l),u(rl.$$.fragment,l),u(W),u(ol.$$.fragment,l),u(R),u(fl.$$.fragment,l),u(Tl.$$.fragment,l),u(wl.$$.fragment,l),_s=!1},d(l){l&&(a(p),a(s),a(r),a(m),a(vl),a(Dl),a(Ql),a(Nl),a(F),a(xl),a(H),a(Fl),a(S),a(Hl),a(Sl),a(q),a(Yl),a(Vl),a(L),a(ql),a(K),a(Ll),a(El),a(P),a(Kl),a(Wl),a(O),a(Pl),a(zl),a(ll),a(Ol),a(ls),a(el),a(ss),a(G),a(es),a(tl),a(ts),a(ns),a(al),a(as),a(ps),a(Ml),a(Ms),a(rs),a(il),a(is),a(Rl),a(cl),a(cs),a(ul),a(us),a(os),a(ml),a(ms),a(bl),a(bs),a(Gl),a(jl),a(js),a(yl),a(ys),a(X),a(fs),a(ds),a(dl),a(Us),a(Ul),a(Js),a(Jl),a(hs),a(hl),a(Ts),a(ws),a(ks),a(Xl)),a(t),f(e,l),f(D,l),f(x,l),kl[w].d(l),_l[_].d(l),f(Y,l),$l[I].d(l),Il[C].d(l),Al[g].d(l),Cl[N].d(l),f(sl,l),f(nl,l),f(pl,l),f(rl,l),Zl[E].d(l),f(ol,l),gl[z].d(l),f(fl,l),f(Tl,l),f(wl,l)}}}const Oe='{"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 lt(d,t,p){let s="pt";return Ae(()=>{const r=new URLSearchParams(window.location.search);p(0,s=r.get("fw")||"pt")}),[s]}class rt extends Ce{constructor(t){super(),Ze(this,t,lt,Pe,Ie,{})}}export{rt as component};