course/pr_1114/fr/chapter1/9.md

# Résumé du chapitre

<CourseFloatingBanner
    chapter={1}
    classNames="absolute z-10 right-0 top-0"
/>

Au cours de ce chapitre, vous avez vu comment approcher différents problèmes de NLP en utilisant la fonction `pipeline()` de la bibliothèque 🤗 *Transformers*. Vous avez également vu comment rechercher et utiliser des modèles dans le *Hub* ainsi que comment utiliser l'API d'inférence pour tester les modèles directement dans votre navigateur.

Nous avons pu aborder le fonctionnement des *transformers* de façon générale et parler de l'importance de l'apprentissage par transfert et du *finetuning*. Un point important est que vous pouvez utiliser l'architecture complète ou seulement l'encodeur ou le décodeur, selon le type de tâche que vous souhaitez résoudre. Le tableau suivant résume ceci :

| Modèle            | Exemples                                   | Tâches                                                                                       |
|-------------------|--------------------------------------------|----------------------------------------------------------------------------------------------|
| Encodeur          | ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa | Classification de phrase, reconnaissance d'entités nommées, extraction de question-réponse |
| Décodeur          | CTRL, GPT, GPT-2, Transformer XL           | Génération de texte                                                                          |
| Encodeur-décodeur | BART, T5, Marian, mBART                    | Résumé, traduction, génération de question-réponse                                           |

<EditOnGithub source="https://github.com/huggingface/course/blob/main/chapters/fr/chapter1/9.mdx" />