course/pr_1114/pt/chapter1/9.md

# Resumo

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

Nesse capítulo, você viu como abordar diferentes tarefas de NLP usando a função de alto nível `pipeline()` da biblioteca 🤗 Transformers. Você também viu como pesquisar e usar modelos no Hub, bem como usar a API de inferência para testar os modelos diretamente em seu navegador.

Discutimos como os modelos Transformers funcionam em alto nível e falamos sobre a importância do aprendizado de transferência (transfer learning) e do ajuste fino. Um aspecto chave é que você pode usar a arquitetura completa ou apenas o codificador ou decodificador, dependendo do tipo de tarefa que você pretende resolver. A tabela a seguir resume isso:

| Modelo          | Exemplos                                   | Tarefas                                                                          |
|-----------------|--------------------------------------------|----------------------------------------------------------------------------------|
| Encoder         | ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa | Classificação de sentenças, reconhecimento de entidades nomeadas, Q&A            |
| Decoder         | CTRL, GPT, GPT-2, Transformer XL           | Geração de texto                                                                 |
| Encoder-decoder | BART, T5, Marian, mBART                    | Sumarização, tradução, perguntas e respostas gerativas                           |


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