course/pr_1149/ru/_app/immutable/nodes/4.0cfedabc.js

import{s as ze,n as Ve,o as He}from"../chunks/scheduler.893fe8c9.js";import{S as Fe,i as Se,e as K,s as $,c as l,h as Ee,a as X,d as n,b as s,f as ke,g as a,j as _e,k as ve,l as Re,m as i,n as r,t as m,o as p,p as f}from"../chunks/index.2d09ebb4.js";import{C as Ye,H as g,E as Qe}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.a91c68a1.js";import{C as Ge}from"../chunks/CodeBlock.97f3be94.js";import{C as Ne}from"../chunks/CourseFloatingBanner.e3aeab73.js";import{Q as u}from"../chunks/Question.6e77d2db.js";function Pe(Ze){let o,L,N,A,x,D,y,O,c,ee,w,de="В этой главе было много материала! Если вы чувствуете, что все еще всецело не познали все премудрости трансформеров - не переживайте! В следующих главах мы детально расскажем, как все устроено “под капотом”.",te,b,Ie="Сперва, однако, давайте проверим, что вы узнали в этой главе!",ne,T,ie,h,$e,M,se,J,le,U,ae,q,re,B,me,j,pe,C,fe,W,ge,G,ue,Z,oe,d,xe,I,ye,k,ce,_,we,v,be,z,Te,V,he,H,Me,F,Je,S,Ue,E,qe,R,Be,Y,je,Q,Ce,P,We;return x=new Ye({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),y=new g({props:{title:"Тест в конце главы",local:"end-of-chapter-quiz",headingTag:"h1"}}),c=new Ne({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),T=new g({props:{title:"1. Зайдите на Hub и найдите чекпоинт модели roberta-large-mnli . Какую задачу она решает?",local:"1-зайдите-на-hub-и-найдите-чекпоинт-модели-roberta-large-mnli--какую-задачу-она-решает",headingTag:"h3"}}),h=new u({props:{choices:[{text:"Автоматическое реферирование (саммаризация)",explain:'Посмотрите получше на <a href="https://huggingface.co/roberta-large-mnli">странице roberta-large-mnli</a>.'},{text:"Классификация текстов",explain:"В частности, модель определяет, являются ли два предложения логически связанными и присваивает одну из трех меток: противопоставление, нейтральная связь, импликация (англ. contradiction, neutral, entailment). Эта задача называется <em>автоматическое определение логической связи между текстами (англ. natural language inference)</em>.",correct:!0},{text:"Генерация текста",explain:'Посмотрите получше на <a href="https://huggingface.co/roberta-large-mnli">странице roberta-large-mnli</a>.'}]}}),M=new g({props:{title:"2. Какой будет результат выполнения данного кода?",local:"2-какой-будет-результат-выполнения-данного-кода",headingTag:"h3"}}),J=new Ge({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBbmVyJTIwJTNEJTIwcGlwZWxpbmUoJTIybmVyJTIyJTJDJTIwZ3JvdXBlZF9lbnRpdGllcyUzRFRydWUpJTBBbmVyKCUyMk15JTIwbmFtZSUyMGlzJTIwU3lsdmFpbiUyMGFuZCUyMEklMjB3b3JrJTIwYXQlMjBIdWdnaW5nJTIwRmFjZSUyMGluJTIwQnJvb2tseW4uJTIyKQ==",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

ner = pipeline(<span class="hljs-string">&quot;ner&quot;</span>, grouped_entities=<span class="hljs-literal">True</span>)
ner(<span class="hljs-string">&quot;My name is Sylvain and I work at Hugging Face in Brooklyn.&quot;</span>)`,wrap:!1}}),U=new u({props:{choices:[{text:'Пайплайн вернет следующие метки классов для этого предложения: "positive" или "negative".',explain:"Неверно — для этого используется пайплайн <code>sentiment-analysis</code>."},{text:"Пайплайн вернет текст, сгенерированный на основе данного предложения.",explain:"Неверно — для этого используется пайплайн <code>text-generation</code>."},{text:"Пайплайн вернет слова, обозначающие персон, организаций или географических локаций.",explain:'Кроме того, с аргументом <code>grouped_entities=True</code>, пайплайн сгруппирует слова, принадлежащие одной и той же сущности, например, "Hugging Face".',correct:!0}]}}),q=new g({props:{title:"3. Чем нужно заменить … в данном коде?",local:"3-чем-нужно-заменить--в-данном-коде",headingTag:"h3"}}),B=new Ge({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBZmlsbGVyJTIwJTNEJTIwcGlwZWxpbmUoJTIyZmlsbC1tYXNrJTIyJTJDJTIwbW9kZWwlM0QlMjJiZXJ0LWJhc2UtY2FzZWQlMjIpJTBBcmVzdWx0JTIwJTNEJTIwZmlsbGVyKCUyMi4uLiUyMik=",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

filler = pipeline(<span class="hljs-string">&quot;fill-mask&quot;</span>, model=<span class="hljs-string">&quot;bert-base-cased&quot;</span>)
result = filler(<span class="hljs-string">&quot;...&quot;</span>)`,wrap:!1}}),j=new u({props:{choices:[{text:"This &#60;mask> has been waiting for you.",explain:"Неверно. Прочитайте карточку модели <code>bert-base-cased</code> и попробуйте найти, где вы ошиблись."},{text:"This [MASK] has been waiting for you.",explain:"Верно! Токен-маска для этой модели - [MASK].",correct:!0},{text:"This man has been waiting for you.",explain:"Неверно. Этот пайплайн предсказывает замаскированный токен, а для этого нужно предоставить токен-маску."}]}}),C=new g({props:{title:"4. Почему этот код выдаст ошибку?",local:"4-почему-этот-код-выдаст-ошибку",headingTag:"h3"}}),W=new Ge({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBY2xhc3NpZmllciUyMCUzRCUyMHBpcGVsaW5lKCUyMnplcm8tc2hvdC1jbGFzc2lmaWNhdGlvbiUyMiklMEFyZXN1bHQlMjAlM0QlMjBjbGFzc2lmaWVyKCUyMlRoaXMlMjBpcyUyMGElMjBjb3Vyc2UlMjBhYm91dCUyMHRoZSUyMFRyYW5zZm9ybWVycyUyMGxpYnJhcnklMjIp",highlighted:`<span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

classifier = pipeline(<span class="hljs-string">&quot;zero-shot-classification&quot;</span>)
result = classifier(<span class="hljs-string">&quot;This is a course about the Transformers library&quot;</span>)`,wrap:!1}}),G=new u({props:{choices:[{text:"Этому пайплайну требуются метки классов.",explain:"Верно — правильный код должен содержать аргумент <code>candidate_labels=[...]</code>.",correct:!0},{text:"Этому пайплайну требуются несколько предложений, а не одно.",explain:"Неверно. Хотя, если использовать этот пайплайн правильно, он может принимать на вход массив предложений (как и все остальные пайплайны)."},{text:"Опять библиотека 🤗 Transformers не работает как положено.",explain:"Мы даже не будем комментировать этот ответ!"},{text:"Этому пайплайну требуются более длинные предложения - это слишком короткое.",explain:"Неверно. Однако, стоит отметить, что этот пайплайн обрежет очень длинный текст, для того, чтобы его корректно обработать."}]}}),Z=new g({props:{title:"5. Что такое «трансферное обучение»?",local:"5-что-такое-трансферное-обучение",headingTag:"h3"}}),d=new u({props:{choices:[{text:"Передача знаний от предобученной модели к новой модели путем ее обучения на тех же данных.",explain:"Нет - результатом этого будут две версии той же самой модели."},{text:"Передача знаний от предобученной модели к новой модели путем инициализирования новой модели с весами предобученной.",explain:"Верно - когда новая модель будет обучена на новой задаче, она <em>получит</em> знания предобученной модели. Другими словами, предобученная модель <em>передаст</em> свои знания новой.",correct:!0},{text:"Передача знаний от предобученной модели к новой модели путем проектирования новой модели с той же самой архитектурой, что и у предобученной.",explain:"Архитектура - это лишь «скелет» модели; в этом случае никой передачи знаний не происходит."}]}}),I=new g({props:{title:"6. Правда или ложь? Для предобучения языковой модели обычно не требуются метки классов.",local:"6-правда-или-ложь-для-предобучения-языковой-модели-обычно-не-требуются-метки-классов",headingTag:"h3"}}),k=new u({props:{choices:[{text:"Правда",explain:"Предобучение обычно <em>самостоятельно (англ. self-supervised)</em>. Это означает, что метки классов создаются автоматически на основе входных данных (например, предсказание следующего или замаскированного слова).",correct:!0},{text:"Ложь",explain:"Это неверный ответ."}]}}),_=new g({props:{title:"7. Выберите предложение, которое наилучшим способом описывает следующие термины: «модель», «архитектура» и «веса».",local:"7-выберите-предложение-которое-наилучшим-способом-описывает-следующие-термины-модель-архитектура-и-веса",headingTag:"h3"}}),v=new u({props:{choices:[{text:"Модель - это здание, ее архитектура - чертеж, а веса - люди, которые там живут.",explain:"Чтобы это сравнение было верным, веса должны быть кирпичами и другими материалами из которых построено здание."},{text:"Архитектура - это карта, по которой можно построить модель, а веса - это города на этой карте.",explain:"Проблема этого сравнения в том, что карта обычно отображает одну существующую реальность (во Франции только один город под названием Париж). В то время как одна и та же архитектура может быть заполнена разными наборами весов."},{text:"Архитектура - это последовательность математических функций для создания модели, а веса - параметры этих функций.",explain:"Один и тот же набор математических функций (архитектура) можно использовать для построения разных моделей, используя разные параметры (веса).",correct:!0}]}}),z=new g({props:{title:"8. Какую из этих моделей вы выберете для дополнения текста по введенной его части?",local:"8-какую-из-этих-моделей-вы-выберете-для-дополнения-текста-по-введенной-его-части",headingTag:"h3"}}),V=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что больше подходит для таких задач как классификация."},{text:"Декодировщик",explain:"Декодировщик идеально подходит для дополнения текста по введенной его части.",correct:!0},{text:"Кодировщик-декодировщик",explain:"Модели sequence-to-sequence больше подходят для задач, в которых вам нужно сгенерировать предложения, основываясь на входных предложениях целиком, а не на части текста, которую нужно продолжить."}]}}),H=new g({props:{title:"9. Какую из этих моделей вы выберете для автоматического реферирования?",local:"9-какую-из-этих-моделей-вы-выберете-для-автоматического-реферирования",headingTag:"h3"}}),F=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что больше подходит для таких задач как классификация."},{text:"Декодировщик",explain:"Декодировщих хорошо продходит для генерации текста (например, рефератов), но он не способен брать во внимание контекст (например, документ целиком) для реферирования."},{text:"Кодировщик-декодировщик",explain:"Кодировщик-декодировщик идеально подходит для задачи автоматического реферирования.",correct:!0}]}}),S=new g({props:{title:"10. Какую из этих моделей вы выберете для классификации текстов путем присвоения им определенных меток?",local:"10-какую-из-этих-моделей-вы-выберете-для-классификации-текстов-путем-присвоения-им-определенных-меток",headingTag:"h3"}}),E=new u({props:{choices:[{text:"Кодировщик",explain:"Кодировщик генерирует векторное представление всего предложения, что идеально подходит для такой задачи, как классификация.",correct:!0},{text:"Декодировщик",explain:"Декодировщих хорошо подходит для генерации текста, а не для присвоения метки документу."},{text:"Кодировщик-декодировщик",explain:"Модели sequence-to-sequence больше подходят для задач, в которых вам нужно сгенерировать предложения, основываясь на входных предложениях целиком, а не для присвоения метки документу."}]}}),R=new g({props:{title:"11. Что может быть одной из причин предвзятости модели?",local:"11-что-может-быть-одной-из-причин-предвзятости-модели",headingTag:"h3"}}),Y=new u({props:{choices:[{text:"Модель была дообучена на основе предобученной модели, которая содержала в себе предвзятость.",explain:"Используя трансферное обучение, предвзятость предобученной модели также передастся новой модели.",correct:!0},{text:"В обучающей выборке были тексты предвзятого содержания.",explain:"Это самый очевидный источник предвзятости, но далеко не единственный.",correct:!0},{text:"Метрика, выбранная для оптимизации модели, была склонна к предвзятости.",explain:"Менее очевидный источник предвзятости кроется в организации ее обучения. Модель будет слепо следовать выбранной метрике, так как она неспособна «задуматься» о ее корректности.",correct:!0}]}}),Q=new Qe({props:{source:"https://github.com/huggingface/course/blob/main/chapters/ru/chapter1/10.mdx"}}),{c(){o=K("meta"),L=$(),N=K("p"),A=$(),l(x.$$.fragment),D=$(),l(y.$$.fragment),O=$(),l(c.$$.fragment),ee=$(),w=K("p"),w.textContent=de,te=$(),b=K("p"),b.textContent=Ie,ne=$(),l(T.$$.fragment),ie=$(),l(h.$$.fragment),$e=$(),l(M.$$.fragment),se=$(),l(J.$$.fragment),le=$(),l(U.$$.fragment),ae=$(),l(q.$$.fragment),re=$(),l(B.$$.fragment),me=$(),l(j.$$.fragment),pe=$(),l(C.$$.fragment),fe=$(),l(W.$$.fragment),ge=$(),l(G.$$.fragment),ue=$(),l(Z.$$.fragment),oe=$(),l(d.$$.fragment),xe=$(),l(I.$$.fragment),ye=$(),l(k.$$.fragment),ce=$(),l(_.$$.fragment),we=$(),l(v.$$.fragment),be=$(),l(z.$$.fragment),Te=$(),l(V.$$.fragment),he=$(),l(H.$$.fragment),Me=$(),l(F.$$.fragment),Je=$(),l(S.$$.fragment),Ue=$(),l(E.$$.fragment),qe=$(),l(R.$$.fragment),Be=$(),l(Y.$$.fragment),je=$(),l(Q.$$.fragment),Ce=$(),P=K("p"),this.h()},l(e){const t=Ee("svelte-u9bgzb",document.head);o=X(t,"META",{name:!0,content:!0}),t.forEach(n),L=s(e),N=X(e,"P",{}),ke(N).forEach(n),A=s(e),a(x.$$.fragment,e),D=s(e),a(y.$$.fragment,e),O=s(e),a(c.$$.fragment,e),ee=s(e),w=X(e,"P",{"data-svelte-h":!0}),_e(w)!=="svelte-10emlb2"&&(w.textContent=de),te=s(e),b=X(e,"P",{"data-svelte-h":!0}),_e(b)!=="svelte-1n8lgrw"&&(b.textContent=Ie),ne=s(e),a(T.$$.fragment,e),ie=s(e),a(h.$$.fragment,e),$e=s(e),a(M.$$.fragment,e),se=s(e),a(J.$$.fragment,e),le=s(e),a(U.$$.fragment,e),ae=s(e),a(q.$$.fragment,e),re=s(e),a(B.$$.fragment,e),me=s(e),a(j.$$.fragment,e),pe=s(e),a(C.$$.fragment,e),fe=s(e),a(W.$$.fragment,e),ge=s(e),a(G.$$.fragment,e),ue=s(e),a(Z.$$.fragment,e),oe=s(e),a(d.$$.fragment,e),xe=s(e),a(I.$$.fragment,e),ye=s(e),a(k.$$.fragment,e),ce=s(e),a(_.$$.fragment,e),we=s(e),a(v.$$.fragment,e),be=s(e),a(z.$$.fragment,e),Te=s(e),a(V.$$.fragment,e),he=s(e),a(H.$$.fragment,e),Me=s(e),a(F.$$.fragment,e),Je=s(e),a(S.$$.fragment,e),Ue=s(e),a(E.$$.fragment,e),qe=s(e),a(R.$$.fragment,e),Be=s(e),a(Y.$$.fragment,e),je=s(e),a(Q.$$.fragment,e),Ce=s(e),P=X(e,"P",{}),ke(P).forEach(n),this.h()},h(){ve(o,"name","hf:doc:metadata"),ve(o,"content",Ke)},m(e,t){Re(document.head,o),i(e,L,t),i(e,N,t),i(e,A,t),r(x,e,t),i(e,D,t),r(y,e,t),i(e,O,t),r(c,e,t),i(e,ee,t),i(e,w,t),i(e,te,t),i(e,b,t),i(e,ne,t),r(T,e,t),i(e,ie,t),r(h,e,t),i(e,$e,t),r(M,e,t),i(e,se,t),r(J,e,t),i(e,le,t),r(U,e,t),i(e,ae,t),r(q,e,t),i(e,re,t),r(B,e,t),i(e,me,t),r(j,e,t),i(e,pe,t),r(C,e,t),i(e,fe,t),r(W,e,t),i(e,ge,t),r(G,e,t),i(e,ue,t),r(Z,e,t),i(e,oe,t),r(d,e,t),i(e,xe,t),r(I,e,t),i(e,ye,t),r(k,e,t),i(e,ce,t),r(_,e,t),i(e,we,t),r(v,e,t),i(e,be,t),r(z,e,t),i(e,Te,t),r(V,e,t),i(e,he,t),r(H,e,t),i(e,Me,t),r(F,e,t),i(e,Je,t),r(S,e,t),i(e,Ue,t),r(E,e,t),i(e,qe,t),r(R,e,t),i(e,Be,t),r(Y,e,t),i(e,je,t),r(Q,e,t),i(e,Ce,t),i(e,P,t),We=!0},p:Ve,i(e){We||(m(x.$$.fragment,e),m(y.$$.fragment,e),m(c.$$.fragment,e),m(T.$$.fragment,e),m(h.$$.fragment,e),m(M.$$.fragment,e),m(J.$$.fragment,e),m(U.$$.fragment,e),m(q.$$.fragment,e),m(B.$$.fragment,e),m(j.$$.fragment,e),m(C.$$.fragment,e),m(W.$$.fragment,e),m(G.$$.fragment,e),m(Z.$$.fragment,e),m(d.$$.fragment,e),m(I.$$.fragment,e),m(k.$$.fragment,e),m(_.$$.fragment,e),m(v.$$.fragment,e),m(z.$$.fragment,e),m(V.$$.fragment,e),m(H.$$.fragment,e),m(F.$$.fragment,e),m(S.$$.fragment,e),m(E.$$.fragment,e),m(R.$$.fragment,e),m(Y.$$.fragment,e),m(Q.$$.fragment,e),We=!0)},o(e){p(x.$$.fragment,e),p(y.$$.fragment,e),p(c.$$.fragment,e),p(T.$$.fragment,e),p(h.$$.fragment,e),p(M.$$.fragment,e),p(J.$$.fragment,e),p(U.$$.fragment,e),p(q.$$.fragment,e),p(B.$$.fragment,e),p(j.$$.fragment,e),p(C.$$.fragment,e),p(W.$$.fragment,e),p(G.$$.fragment,e),p(Z.$$.fragment,e),p(d.$$.fragment,e),p(I.$$.fragment,e),p(k.$$.fragment,e),p(_.$$.fragment,e),p(v.$$.fragment,e),p(z.$$.fragment,e),p(V.$$.fragment,e),p(H.$$.fragment,e),p(F.$$.fragment,e),p(S.$$.fragment,e),p(E.$$.fragment,e),p(R.$$.fragment,e),p(Y.$$.fragment,e),p(Q.$$.fragment,e),We=!1},d(e){e&&(n(L),n(N),n(A),n(D),n(O),n(ee),n(w),n(te),n(b),n(ne),n(ie),n($e),n(se),n(le),n(ae),n(re),n(me),n(pe),n(fe),n(ge),n(ue),n(oe),n(xe),n(ye),n(ce),n(we),n(be),n(Te),n(he),n(Me),n(Je),n(Ue),n(qe),n(Be),n(je),n(Ce),n(P)),n(o),f(x,e),f(y,e),f(c,e),f(T,e),f(h,e),f(M,e),f(J,e),f(U,e),f(q,e),f(B,e),f(j,e),f(C,e),f(W,e),f(G,e),f(Z,e),f(d,e),f(I,e),f(k,e),f(_,e),f(v,e),f(z,e),f(V,e),f(H,e),f(F,e),f(S,e),f(E,e),f(R,e),f(Y,e),f(Q,e)}}}const Ke='{"title":"Тест в конце главы","local":"end-of-chapter-quiz","sections":[{"title":"1. Зайдите на Hub и найдите чекпоинт модели roberta-large-mnli . Какую задачу она решает?","local":"1-зайдите-на-hub-и-найдите-чекпоинт-модели-roberta-large-mnli--какую-задачу-она-решает","sections":[],"depth":3},{"title":"2. Какой будет результат выполнения данного кода?","local":"2-какой-будет-результат-выполнения-данного-кода","sections":[],"depth":3},{"title":"3. Чем нужно заменить … в данном коде?","local":"3-чем-нужно-заменить--в-данном-коде","sections":[],"depth":3},{"title":"4. Почему этот код выдаст ошибку?","local":"4-почему-этот-код-выдаст-ошибку","sections":[],"depth":3},{"title":"5. Что такое «трансферное обучение»?","local":"5-что-такое-трансферное-обучение","sections":[],"depth":3},{"title":"6. Правда или ложь? Для предобучения языковой модели обычно не требуются метки классов.","local":"6-правда-или-ложь-для-предобучения-языковой-модели-обычно-не-требуются-метки-классов","sections":[],"depth":3},{"title":"7. Выберите предложение, которое наилучшим способом описывает следующие термины: «модель», «архитектура» и «веса».","local":"7-выберите-предложение-которое-наилучшим-способом-описывает-следующие-термины-модель-архитектура-и-веса","sections":[],"depth":3},{"title":"8. Какую из этих моделей вы выберете для дополнения текста по введенной его части?","local":"8-какую-из-этих-моделей-вы-выберете-для-дополнения-текста-по-введенной-его-части","sections":[],"depth":3},{"title":"9. Какую из этих моделей вы выберете для автоматического реферирования?","local":"9-какую-из-этих-моделей-вы-выберете-для-автоматического-реферирования","sections":[],"depth":3},{"title":"10. Какую из этих моделей вы выберете для классификации текстов путем присвоения им определенных меток?","local":"10-какую-из-этих-моделей-вы-выберете-для-классификации-текстов-путем-присвоения-им-определенных-меток","sections":[],"depth":3},{"title":"11. Что может быть одной из причин предвзятости модели?","local":"11-что-может-быть-одной-из-причин-предвзятости-модели","sections":[],"depth":3}],"depth":1}';function Xe(Ze){return He(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class nt extends Fe{constructor(o){super(),Se(this,o,Xe,Pe,ze,{})}}export{nt as component};