Buckets:
| import{s as N,n as Q,o as V}from"../chunks/scheduler.505acc25.js";import{S as W,i as X,e as i,s as l,c as z,h as Z,a as r,d as a,b as o,f as I,g as A,j as _,k as J,l as ee,m as n,n as S,t as R,o as B,p as U}from"../chunks/index.ccc5f2c1.js";import{C as te,E as ae}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.44ccecb5.js";import{Y as ne}from"../chunks/Youtube.ed0cfdd7.js";function le(Y){let s,v,$,C,m,w,c,k="# Modelos secuencia a secuencia",T,d,L,p,G="Los modelos codificador/decodificador (también llamados <em>modelos secuencia a secuencia</em>) usan ambas partes de la arquitectura del Transformer. En cada etapa, las capas de atención del codificador pueden acceder a todas las palabras de la secuencia inicial, mientras que las capas de atención del decodificador sólo pueden acceder a las palabras que se ubican antes de una palabra dada en el texto de entrada.",M,u,K='El preentrenamiento de estos modelos se puede hacer usando los objetivos de los modelos de codificadores o decodificadores, pero usualmente implican algo más complejo. Por ejemplo, <a href="https://huggingface.co/t5-base" rel="nofollow">T5</a> está preentrenado al reemplazar segmentos aleatorios de texto (que pueden contener varias palabras) con una palabra especial que las oculta, y el objetivo es predecir el texto que esta palabra reemplaza.',P,f,O="Los modelos secuencia a secuencia son más adecuados para tareas relacionadas con la generación de nuevas oraciones dependiendo de una entrada dada, como resumir, traducir o responder generativamente preguntas.",y,h,D="Algunos miembros de esta familia de modelos son:",E,b,F='<li><a href="https://huggingface.co/transformers/model_doc/bart.html" rel="nofollow">BART</a></li> <li><a href="https://huggingface.co/transformers/model_doc/mbart.html" rel="nofollow">mBART</a></li> <li><a href="https://huggingface.co/transformers/model_doc/marian.html" rel="nofollow">Marian</a></li> <li><a href="https://huggingface.co/transformers/model_doc/t5.html" rel="nofollow">T5</a></li>',q,x,j,g,H;return m=new te({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),d=new ne({props:{id:"0_4KEb08xrE"}}),x=new ae({props:{source:"https://github.com/huggingface/course/blob/main/chapters/es/chapter1/7.mdx"}}),{c(){s=i("meta"),v=l(),$=i("p"),C=l(),z(m.$$.fragment),w=l(),c=i("p"),c.textContent=k,T=l(),z(d.$$.fragment),L=l(),p=i("p"),p.innerHTML=G,M=l(),u=i("p"),u.innerHTML=K,P=l(),f=i("p"),f.textContent=O,y=l(),h=i("p"),h.textContent=D,E=l(),b=i("ul"),b.innerHTML=F,q=l(),z(x.$$.fragment),j=l(),g=i("p"),this.h()},l(e){const t=Z("svelte-u9bgzb",document.head);s=r(t,"META",{name:!0,content:!0}),t.forEach(a),v=o(e),$=r(e,"P",{}),I($).forEach(a),C=o(e),A(m.$$.fragment,e),w=o(e),c=r(e,"P",{"data-svelte-h":!0}),_(c)!=="svelte-qpxf01"&&(c.textContent=k),T=o(e),A(d.$$.fragment,e),L=o(e),p=r(e,"P",{"data-svelte-h":!0}),_(p)!=="svelte-6g0oej"&&(p.innerHTML=G),M=o(e),u=r(e,"P",{"data-svelte-h":!0}),_(u)!=="svelte-1yaxgjp"&&(u.innerHTML=K),P=o(e),f=r(e,"P",{"data-svelte-h":!0}),_(f)!=="svelte-r14arb"&&(f.textContent=O),y=o(e),h=r(e,"P",{"data-svelte-h":!0}),_(h)!=="svelte-10w8ozo"&&(h.textContent=D),E=o(e),b=r(e,"UL",{"data-svelte-h":!0}),_(b)!=="svelte-1lyffe"&&(b.innerHTML=F),q=o(e),A(x.$$.fragment,e),j=o(e),g=r(e,"P",{}),I(g).forEach(a),this.h()},h(){J(s,"name","hf:doc:metadata"),J(s,"content",oe)},m(e,t){ee(document.head,s),n(e,v,t),n(e,$,t),n(e,C,t),S(m,e,t),n(e,w,t),n(e,c,t),n(e,T,t),S(d,e,t),n(e,L,t),n(e,p,t),n(e,M,t),n(e,u,t),n(e,P,t),n(e,f,t),n(e,y,t),n(e,h,t),n(e,E,t),n(e,b,t),n(e,q,t),S(x,e,t),n(e,j,t),n(e,g,t),H=!0},p:Q,i(e){H||(R(m.$$.fragment,e),R(d.$$.fragment,e),R(x.$$.fragment,e),H=!0)},o(e){B(m.$$.fragment,e),B(d.$$.fragment,e),B(x.$$.fragment,e),H=!1},d(e){e&&(a(v),a($),a(C),a(w),a(c),a(T),a(L),a(p),a(M),a(u),a(P),a(f),a(y),a(h),a(E),a(b),a(q),a(j),a(g)),a(s),U(m,e),U(d,e),U(x,e)}}}const oe="undefined";function se(Y){return V(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class de extends W{constructor(s){super(),X(this,s,se,le,N,{})}}export{de as component}; | |
Xet Storage Details
- Size:
- 4.12 kB
- Xet hash:
- f5cb33cd5b061862fddd6fd9043029cf3b3177029977d91fdeab1b7f076a2418
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.