Buckets:
| # Utilisation de base terminée ! | |
| <CourseFloatingBanner | |
| chapter={2} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| Bravo à vous pour avoir suivi le cours jusqu'ici ! Pour récapituler, dans ce chapitre vous avez : | |
| - appris les blocs de construction de base d'un *transformer*, | |
| - appris ce qui constitue un pipeline de tokenisation, | |
| - vu comment utiliser un *transformer* en pratique, | |
| - appris comment tirer parti d'un *tokenizer* pour convertir du texte en tenseurs compréhensibles par le modèle, | |
| - configurer ensemble un *tokenizer* et un modèle afin de passer du texte aux prédictions, | |
| - appris les limites des identifiants d'entrée et ce que sont que les masques d'attention, | |
| - joué avec des méthodes de *tokenizer* polyvalentes et configurables. | |
| À partir de maintenant, vous devriez être en mesure de naviguer librement dans la documentation 🤗 *Transformers*. Le vocabulaire vous semblera familier et vous avez vu les méthodes que vous utiliserez la plupart du temps. | |
| <EditOnGithub source="https://github.com/huggingface/course/blob/main/chapters/fr/chapter2/7.mdx" /> |
Xet Storage Details
- Size:
- 1.1 kB
- Xet hash:
- 55ac28e064d070971f282dd57bc7beaff230d6915b24a2d919f57bc7288dd360
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.