Buckets:

rtrm's picture
download
raw
4.49 kB
import{s as K,n as V,o as W}from"../chunks/scheduler.893fe8c9.js";import{S as X,i as Z,e as r,s as l,c as v,h as ee,a as i,d as s,b as a,f as Q,g as C,j as w,k as I,l as te,m as n,n as L,t as E,o as T,p as q}from"../chunks/index.2d09ebb4.js";import{C as se,H as ne,E as le}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.a6c73ba8.js";import{Y as ae}from"../chunks/Youtube.b7012d06.js";import{C as oe}from"../chunks/CourseFloatingBanner.2900b001.js";function re(Y){let o,P,b,y,m,M,u,R,p,z,f,H,c,D="Les modèles basés sur l’encodeur utilisent uniquement l’encodeur d’un <em>transformer</em>. À chaque étape, les couches d’attention peuvent accéder à tous les mots de la phrase initiale. Ces modèles sont souvent caractérisés comme ayant une attention bidirectionnelle et sont souvent appelés <em>modèles d’auto-encodage</em>.",B,d,F="Le pré-entraînement de ces modèles se concentre généralement sur la modification d’une phrase donnée (par exemple, en masquant des mots aléatoires dans celle-ci) et en demandant au modèle de trouver ou de reconstruire la phrase initiale.",S,$,G="Ces modèles sont les plus adaptés pour des tâches qui requièrent une compréhension complète de la phrase, telles que la classification de phrases, la reconnaissance d’entités nommées (et plus généralement la classification de mots) et les questions-réponses extractives.",j,h,J="Les modèles les plus représentatifs de cette famille sont :",k,g,O='<li><a href="https://huggingface.co/transformers/model_doc/albert.html" rel="nofollow">ALBERT</a></li> <li><a href="https://huggingface.co/transformers/model_doc/bert.html" rel="nofollow">BERT</a></li> <li><a href="https://huggingface.co/transformers/model_doc/distilbert.html" rel="nofollow">DistilBERT</a></li> <li><a href="https://huggingface.co/transformers/model_doc/electra.html" rel="nofollow">ELECTRA</a></li> <li><a href="https://huggingface.co/transformers/model_doc/roberta.html" rel="nofollow">RoBERTa</a></li>',A,_,U,x,N;return m=new se({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),u=new ne({props:{title:"Les modèles basés sur l’encodeur",local:"les-modèles-basés-sur-lencodeur",headingTag:"h1"}}),p=new oe({props:{chapter:1,classNames:"absolute z-10 right-0 top-0"}}),f=new ae({props:{id:"MUqNwgPjJvQ"}}),_=new le({props:{source:"https://github.com/huggingface/course/blob/main/chapters/fr/chapter1/5.mdx"}}),{c(){o=r("meta"),P=l(),b=r("p"),y=l(),v(m.$$.fragment),M=l(),v(u.$$.fragment),R=l(),v(p.$$.fragment),z=l(),v(f.$$.fragment),H=l(),c=r("p"),c.innerHTML=D,B=l(),d=r("p"),d.textContent=F,S=l(),$=r("p"),$.textContent=G,j=l(),h=r("p"),h.textContent=J,k=l(),g=r("ul"),g.innerHTML=O,A=l(),v(_.$$.fragment),U=l(),x=r("p"),this.h()},l(e){const t=ee("svelte-u9bgzb",document.head);o=i(t,"META",{name:!0,content:!0}),t.forEach(s),P=a(e),b=i(e,"P",{}),Q(b).forEach(s),y=a(e),C(m.$$.fragment,e),M=a(e),C(u.$$.fragment,e),R=a(e),C(p.$$.fragment,e),z=a(e),C(f.$$.fragment,e),H=a(e),c=i(e,"P",{"data-svelte-h":!0}),w(c)!=="svelte-1yao98"&&(c.innerHTML=D),B=a(e),d=i(e,"P",{"data-svelte-h":!0}),w(d)!=="svelte-1eunjqz"&&(d.textContent=F),S=a(e),$=i(e,"P",{"data-svelte-h":!0}),w($)!=="svelte-3qi621"&&($.textContent=G),j=a(e),h=i(e,"P",{"data-svelte-h":!0}),w(h)!=="svelte-195kd4n"&&(h.textContent=J),k=a(e),g=i(e,"UL",{"data-svelte-h":!0}),w(g)!=="svelte-18kzzol"&&(g.innerHTML=O),A=a(e),C(_.$$.fragment,e),U=a(e),x=i(e,"P",{}),Q(x).forEach(s),this.h()},h(){I(o,"name","hf:doc:metadata"),I(o,"content",ie)},m(e,t){te(document.head,o),n(e,P,t),n(e,b,t),n(e,y,t),L(m,e,t),n(e,M,t),L(u,e,t),n(e,R,t),L(p,e,t),n(e,z,t),L(f,e,t),n(e,H,t),n(e,c,t),n(e,B,t),n(e,d,t),n(e,S,t),n(e,$,t),n(e,j,t),n(e,h,t),n(e,k,t),n(e,g,t),n(e,A,t),L(_,e,t),n(e,U,t),n(e,x,t),N=!0},p:V,i(e){N||(E(m.$$.fragment,e),E(u.$$.fragment,e),E(p.$$.fragment,e),E(f.$$.fragment,e),E(_.$$.fragment,e),N=!0)},o(e){T(m.$$.fragment,e),T(u.$$.fragment,e),T(p.$$.fragment,e),T(f.$$.fragment,e),T(_.$$.fragment,e),N=!1},d(e){e&&(s(P),s(b),s(y),s(M),s(R),s(z),s(H),s(c),s(B),s(d),s(S),s($),s(j),s(h),s(k),s(g),s(A),s(U),s(x)),s(o),q(m,e),q(u,e),q(p,e),q(f,e),q(_,e)}}}const ie='{"title":"Les modèles basés sur l’encodeur","local":"les-modèles-basés-sur-lencodeur","sections":[],"depth":1}';function me(Y){return W(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class $e extends X{constructor(o){super(),Z(this,o,me,re,K,{})}}export{$e as component};

Xet Storage Details

Size:
4.49 kB
·
Xet hash:
169a3a08ddc15b9e5ca89a759e0d3f11d03d9a27ac8806fa9672d8b7e0eec3f4

Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.