course/pr_1139/it/_app/immutable/nodes/13.ff2c3e24.js

import{s as Z,n as ee,o as ie}from"../chunks/scheduler.505acc25.js";import{S as te,i as oe,e as a,s as n,c as F,h as ne,a as r,d as t,b as l,f as Y,g as O,j as z,k as N,l as le,m as o,n as j,t as Q,o as U,p as B}from"../chunks/index.1238bded.js";import{C as ae,H as re,E as se}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.34bb763b.js";import{C as me}from"../chunks/CourseFloatingBanner.0b6e065b.js";function ue(G){let s,C,_,L,u,T,p,M,c,P,d,K=`Come si è visto nel <a href="/course/chapter1">Capitolo 1</a>,  I modelli Transformers sono solitamente molto grandi.
Con milioni o decine di <em>miliardi</em> di parametri, l’addestramento e la distribuzione di questi modelli è un’impresa complicata.
Inoltre, con i nuovi modelli che vengono rilasciati quasi ogni giorno e ognuno dei quali ha una propria implementazione, provarli tutti non è un lavoro facile.`,q,f,R="La libreria 🤗 Transformers è stata creata per risolvere questo problema. Il suo obiettivo è fornire un’unica API attraverso la quale caricare, addestrare e salvare qualsiasi modello Transformer. Le caratteristiche principali della libreria sono:",H,v,D="<li><strong>Facilità d’uso</strong>: È possibile scaricare, caricare ed utilizzare un modello NLP all’avanguardia per fare inferenza con appena due righe di codice.</li> <li><strong>Flessibilità</strong>: Al loro interno, tutti i modelli sono semplici classi PyTorch <code>nn.Module</code> o TensorFlow <code>tf.keras.Model</code> e possono essere gestiti come qualsiasi altro modello nei rispettivi framework di apprendimento automatico (ML).</li> <li><strong>Semplicità</strong>: La libreria non contiene quasi nessuna astrazione. Il concetto di “All in one file” è fondamentale: il forward pass di un modello è interamente definito in un singolo file, in modo che il codice stesso sia comprensibile e violabile.</li>",w,$,J="Quest’ultima caratteristica rende 🤗 Transformers molto diversi da altre librerie ML. I modelli non sono costruiti su moduli condivisi tra i file, ma ogni modello ha i propri layers. Oltre a rendere i modelli più accessibili e comprensibili, questo permette di sperimentare facilmente su un modello senza influenzare gli altri.",I,g,V='Questo capitolo inizierà con un esempio in cui usiamo un modello e un tokenizer insieme per replicare la funzione <code>pipeline()</code> introdotta nel <a href="/course/chapter1">Capitolo 1</a>. Successivamente, parleremo dell’API del modello: ci immergeremo nelle classi del modello e della configurazione e mostreremo come caricare un modello e come esso elabora gli input numerici per produrre previsioni.',y,b,W="Successivamente vedremo l’API del tokenizer, che è l’altro componente principale della funzione <code>pipeline()</code>. I tokenizer si occupano della prima e dell’ultima fase di elaborazione, gestendo la conversione da testo a input numerici per la rete neurale e la conversione di nuovo in testo quando è necessario. Infine, mostreremo come gestire l’invio di più frasi a un modello in un batch preparato, per poi concludere il tutto con un’analisi più approfondita della funzione di alto livello <code>tokenizer()</code>.",k,m,X='<p>⚠️ Per poter usufruire di tutte le funzioni disponibili con il Model Hub e i 🤗 Transformers, si consiglia di <a href="https://huggingface.co/join">creare un account</a>.</p>',E,h,S,x,A;return u=new ae({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),p=new re({props:{title:"Introduzione",local:"introduzione",headingTag:"h1"}}),c=new me({props:{chapter:2,classNames:"absolute z-10 right-0 top-0"}}),h=new se({props:{source:"https://github.com/huggingface/course/blob/main/chapters/it/chapter2/1.mdx"}}),{c(){s=a("meta"),C=n(),_=a("p"),L=n(),F(u.$$.fragment),T=n(),F(p.$$.fragment),M=n(),F(c.$$.fragment),P=n(),d=a("p"),d.innerHTML=K,q=n(),f=a("p"),f.textContent=R,H=n(),v=a("ul"),v.innerHTML=D,w=n(),$=a("p"),$.textContent=J,I=n(),g=a("p"),g.innerHTML=V,y=n(),b=a("p"),b.innerHTML=W,k=n(),m=a("blockquote"),m.innerHTML=X,E=n(),F(h.$$.fragment),S=n(),x=a("p"),this.h()},l(e){const i=ne("svelte-u9bgzb",document.head);s=r(i,"META",{name:!0,content:!0}),i.forEach(t),C=l(e),_=r(e,"P",{}),Y(_).forEach(t),L=l(e),O(u.$$.fragment,e),T=l(e),O(p.$$.fragment,e),M=l(e),O(c.$$.fragment,e),P=l(e),d=r(e,"P",{"data-svelte-h":!0}),z(d)!=="svelte-1opxtn"&&(d.innerHTML=K),q=l(e),f=r(e,"P",{"data-svelte-h":!0}),z(f)!=="svelte-18vkpnp"&&(f.textContent=R),H=l(e),v=r(e,"UL",{"data-svelte-h":!0}),z(v)!=="svelte-1y8bqb2"&&(v.innerHTML=D),w=l(e),$=r(e,"P",{"data-svelte-h":!0}),z($)!=="svelte-1uva84d"&&($.textContent=J),I=l(e),g=r(e,"P",{"data-svelte-h":!0}),z(g)!=="svelte-m1wfcs"&&(g.innerHTML=V),y=l(e),b=r(e,"P",{"data-svelte-h":!0}),z(b)!=="svelte-1t2ycev"&&(b.innerHTML=W),k=l(e),m=r(e,"BLOCKQUOTE",{class:!0,"data-svelte-h":!0}),z(m)!=="svelte-11m9j96"&&(m.innerHTML=X),E=l(e),O(h.$$.fragment,e),S=l(e),x=r(e,"P",{}),Y(x).forEach(t),this.h()},h(){N(s,"name","hf:doc:metadata"),N(s,"content",pe),N(m,"class","tip")},m(e,i){le(document.head,s),o(e,C,i),o(e,_,i),o(e,L,i),j(u,e,i),o(e,T,i),j(p,e,i),o(e,M,i),j(c,e,i),o(e,P,i),o(e,d,i),o(e,q,i),o(e,f,i),o(e,H,i),o(e,v,i),o(e,w,i),o(e,$,i),o(e,I,i),o(e,g,i),o(e,y,i),o(e,b,i),o(e,k,i),o(e,m,i),o(e,E,i),j(h,e,i),o(e,S,i),o(e,x,i),A=!0},p:ee,i(e){A||(Q(u.$$.fragment,e),Q(p.$$.fragment,e),Q(c.$$.fragment,e),Q(h.$$.fragment,e),A=!0)},o(e){U(u.$$.fragment,e),U(p.$$.fragment,e),U(c.$$.fragment,e),U(h.$$.fragment,e),A=!1},d(e){e&&(t(C),t(_),t(L),t(T),t(M),t(P),t(d),t(q),t(f),t(H),t(v),t(w),t($),t(I),t(g),t(y),t(b),t(k),t(m),t(E),t(S),t(x)),t(s),B(u,e),B(p,e),B(c,e),B(h,e)}}}const pe='{"title":"Introduzione","local":"introduzione","sections":[],"depth":1}';function ce(G){return ie(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class ge extends te{constructor(s){super(),oe(this,s,ce,ue,Z,{})}}export{ge as component};