course/pr_1148/pt/_app/immutable/nodes/13.dfd03f13.js

import{s as Z,n as ee,o as te}from"../chunks/scheduler.505acc25.js";import{S as ae,i as oe,e as n,s,c as I,h as se,a as i,d as a,b as r,f as Y,g as O,j as x,k as Q,l as re,m as o,n as F,t as B,o as U,p as N}from"../chunks/index.1238bded.js";import{C as ne,H as ie,E as me}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.99b8c7d3.js";import{C as le}from"../chunks/CourseFloatingBanner.2e302d0f.js";function de(D){let m,C,T,M,d,L,u,P,p,q,c,G='Como você viu no <a href="/course/pt/chapter1">Capitulo 1</a>, normalmente modelos Transformers são muito grandes. Com milhões a dezenas de <em>bilhões</em> de parâmetros, o treinamento e o deploy destes modelos é uma tarefa complicado. Além disso, com novos modelos sendo lançados quase diariamente e cada um tendo sua própria implementação, experimentá-los a todos não é tarefa fácil.',H,f,K="A biblioteca 🤗 Transformers foi criado para resolver este problema. Seu objetivo é fornecer uma API única através do qual qualquer modelo Transformer possa ser carregado, treinado e salvo. As principais características da biblioteca são:",k,v,R="<li><strong>Fácil de usar</strong>: Baixar, carregar e usar um modelo de processamento natural de linguagem (PNL) de última geração para inferência pode ser feito em apenas duas linhas de código</li> <li><strong>Flexibilidade</strong>: Em sua essência, todos os modelos são uma simples classe PyTorch <code>nn.Module</code> ou TensorFlow <code>tf.keras.Model</code> e podem ser tratadas como qualquer outro modelo em seus respectivos frameworks de machine learning (ML).</li> <li><strong>Simplicidade</strong>: Quase nenhuma abstração é feita em toda a biblioteca. O “Tudo em um arquivo” é um conceito principal: o “passe para frente” de um modelo é inteiramente definido em um único arquivo, de modo que o código em si seja compreensível e hackeável.</li>",w,$,J="Esta última característica torna 🤗 Transformers bem diferente de outras bibliotecas ML que modelos e/ou configurações são compartilhados entre arquivos; em vez disso, cada modelo tem suas próprias camadas. Além de tornar os modelos mais acessíveis e compreensíveis, isto permite que você experimente facilmente um modelo sem afetar outros.",z,h,V='Este capítulo começará com um exemplo de ponta a ponta onde usamos um modelo e um tokenizer juntos para replicar a função <code>pipeline()</code> introduzida no <a href="/course/pt/chapter1">Capitulo 1</a>. A seguir, discutiremos o modelo da API: onde veremos profundamente as classes de modelo e configuração, além de mostrar como carregar um modelo e como ele processa as entradas numéricas para as previsões de saída.',E,g,W="Depois veremos a API do tokenizer, que é o outro componente principal da função <code>pipeline()</code>. Os Tokenizers cuidam da primeira e da última etapa do processamento, cuidando da conversão de texto para entradas numéricas para a rede neural, e da conversão de volta ao texto quando for necessário. Por fim, mostraremos a você como lidar com o envio de várias frases através de um modelo em um batch preparado, depois olharemos tudo mais atentamente a função de alto nível <code>tokenizer()</code>.",y,l,X='<p>⚠️ Para beneficiar-se de todos os recursos disponíveis com o Model Hub e 🤗 Transformers, recomendamos  <a href="https://huggingface.co/join">criar uma conta</a>.</p>',A,b,j,_,S;return d=new ne({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),u=new ie({props:{title:"Introdução",local:"introdução",headingTag:"h1"}}),p=new le({props:{chapter:2,classNames:"absolute z-10 right-0 top-0"}}),b=new me({props:{source:"https://github.com/huggingface/course/blob/main/chapters/pt/chapter2/1.mdx"}}),{c(){m=n("meta"),C=s(),T=n("p"),M=s(),I(d.$$.fragment),L=s(),I(u.$$.fragment),P=s(),I(p.$$.fragment),q=s(),c=n("p"),c.innerHTML=G,H=s(),f=n("p"),f.textContent=K,k=s(),v=n("ul"),v.innerHTML=R,w=s(),$=n("p"),$.textContent=J,z=s(),h=n("p"),h.innerHTML=V,E=s(),g=n("p"),g.innerHTML=W,y=s(),l=n("blockquote"),l.innerHTML=X,A=s(),I(b.$$.fragment),j=s(),_=n("p"),this.h()},l(e){const t=se("svelte-u9bgzb",document.head);m=i(t,"META",{name:!0,content:!0}),t.forEach(a),C=r(e),T=i(e,"P",{}),Y(T).forEach(a),M=r(e),O(d.$$.fragment,e),L=r(e),O(u.$$.fragment,e),P=r(e),O(p.$$.fragment,e),q=r(e),c=i(e,"P",{"data-svelte-h":!0}),x(c)!=="svelte-c3pttr"&&(c.innerHTML=G),H=r(e),f=i(e,"P",{"data-svelte-h":!0}),x(f)!=="svelte-os35jr"&&(f.textContent=K),k=r(e),v=i(e,"UL",{"data-svelte-h":!0}),x(v)!=="svelte-3rdcaw"&&(v.innerHTML=R),w=r(e),$=i(e,"P",{"data-svelte-h":!0}),x($)!=="svelte-1kte5lt"&&($.textContent=J),z=r(e),h=i(e,"P",{"data-svelte-h":!0}),x(h)!=="svelte-1phrh9c"&&(h.innerHTML=V),E=r(e),g=i(e,"P",{"data-svelte-h":!0}),x(g)!=="svelte-18943oc"&&(g.innerHTML=W),y=r(e),l=i(e,"BLOCKQUOTE",{class:!0,"data-svelte-h":!0}),x(l)!=="svelte-1s47g6x"&&(l.innerHTML=X),A=r(e),O(b.$$.fragment,e),j=r(e),_=i(e,"P",{}),Y(_).forEach(a),this.h()},h(){Q(m,"name","hf:doc:metadata"),Q(m,"content",ue),Q(l,"class","tip")},m(e,t){re(document.head,m),o(e,C,t),o(e,T,t),o(e,M,t),F(d,e,t),o(e,L,t),F(u,e,t),o(e,P,t),F(p,e,t),o(e,q,t),o(e,c,t),o(e,H,t),o(e,f,t),o(e,k,t),o(e,v,t),o(e,w,t),o(e,$,t),o(e,z,t),o(e,h,t),o(e,E,t),o(e,g,t),o(e,y,t),o(e,l,t),o(e,A,t),F(b,e,t),o(e,j,t),o(e,_,t),S=!0},p:ee,i(e){S||(B(d.$$.fragment,e),B(u.$$.fragment,e),B(p.$$.fragment,e),B(b.$$.fragment,e),S=!0)},o(e){U(d.$$.fragment,e),U(u.$$.fragment,e),U(p.$$.fragment,e),U(b.$$.fragment,e),S=!1},d(e){e&&(a(C),a(T),a(M),a(L),a(P),a(q),a(c),a(H),a(f),a(k),a(v),a(w),a($),a(z),a(h),a(E),a(g),a(y),a(l),a(A),a(j),a(_)),a(m),N(d,e),N(u,e),N(p,e),N(b,e)}}}const ue='{"title":"Introdução","local":"introdução","sections":[],"depth":1}';function pe(D){return te(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class he extends ae{constructor(m){super(),oe(this,m,pe,de,Z,{})}}export{he as component};