Buckets:
| # ప్రాథమిక వినియోగం పూర్తయింది![[basic-usage-completed]] | |
| ఇంత వరకూ కోర్సును అద్భుతంగా అనుసరించారు! ఈ అధ్యాయంలో మీరు చేసిన విషయాలను ఒకసారి సమీక్షిద్దాం: | |
| - Transformer మోడల్ యొక్క ప్రాథమిక భాగాలను నేర్చుకున్నారు. | |
| - ఒక tokenization పైప్లైన్లో ఏమేం ఉంటాయో తెలుసుకున్నారు. | |
| - Transformer మోడల్ను ప్రాక్టికల్గా ఎలా ఉపయోగించాలో చూశారు. | |
| - టెక్స్ట్ను మోడల్కి అర్థమయ్యే టెన్సర్లుగా మార్చడానికి tokenizer ను ఎలా ఉపయోగించాలో నేర్చుకున్నారు. | |
| - టోకనైజర్ మరియు మోడల్ను కలిసి సెటప్ చేసి, టెక్స్ట్ నుండి predictions తీసుకొచ్చారు. | |
| - Input IDs యొక్క పరిమితులను, మరియు attention masks అవసరం ఎందుకుందో తెలుసుకున్నారు. | |
| - వివిధ రకాలుగా ఉపయోగించగల, అత్యంత అనుకూలీకరణకు వీలైన tokenizer methods తో ప్రయోగాలు చేశారు. | |
| ఇప్పటి నుంచి, 🤗 Transformers డాక్యుమెంటేషన్ను మీరు స్వేచ్ఛగా అన్వేషించగలరు: | |
| అందులోని పదజాలం (vocabulary) మీకు పరిచయంగా ఉంటుంది, మరియు మీరు ఎక్కువగా ఉపయోగించే పద్ధతులను ఇప్పటికే చూశారు. | |
Xet Storage Details
- Size:
- 2.11 kB
- Xet hash:
- 8c6dbf9eaedf986c91299be7034cf55774126d2b3079ccd72f0248b01ebeb88a
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.