Buckets:
| # Uso di base completato! | |
| <CourseFloatingBanner | |
| chapter={2} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| Ottimo lavoro per aver seguito il corso fino a questo punto! Per fare un riassunto, in questo capitolo abbiamo visto: | |
| - Imparare gli elementi di base di un modello Transformer. | |
| - Imparare a conoscere gli elementi che compongono una pipeline di tokenizzazione. | |
| - Hai visto come utilizzare un modello Transformer nella pratica. | |
| - Imparare a sfruttare un tokenizer per convertire il testo in tensori comprensibili dal modello. | |
| - Impostare un tokenizer e un modello insieme per passare dal testo alle previsioni. | |
| - Imparare i limiti degli ID di input e conoscere le maschere di attenzione. | |
| - Abbiamo giocato con metodi di tokenizzazione versatili e configurabili. | |
| D'ora in poi, dovreste essere in grado di navigare liberamente nella documentazione di Transformers 🤗: il vocabolario vi suonerà familiare e avrete già visto i metodi che userete la maggior parte delle volte. | |
Xet Storage Details
- Size:
- 991 Bytes
- Xet hash:
- e7bd1b932f1aca7d36e0b0a0d9b9325f3fc55c33a7e76d9f6ab3198b2887c49a
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.