Buckets:
| # Utilizarea de bază este completă![[utilizarea-de-bază-este-completă]] | |
| <CourseFloatingBanner | |
| chapter={2} | |
| classNames="absolute z-10 right-0 top-0" | |
| /> | |
| Ați făcut o treabă excelentă dacă ați urmat cursul până aici! Pentru a sintetiza, în acest capitol: | |
| - Am învățat elementele de bază ale unui model Transformer. | |
| - Am învățat ce formează un pipeline de tokenizare. | |
| - Am văzut cum să utilizați un model Transformer în practică. | |
| - Am învățat cum să folosiți un tokenizer pentru a converti textul în tensori care sunt inteligibili pentru model. | |
| - Am configurat împreună un tokenizer și un model pentru a ajunge de la text la predicții. | |
| - Am învățat limitările ID-urilor de intrare și am învățat despre attention masks. | |
| - Ne-am antrenat cu ajutorul metodelor versatile și configurabile ale tokenizatorului. | |
| De acum înainte, ar trebui să puteți naviga liber prin documentația 🤗 Transformers: vocabularul va suna familiar și ați văzut deja metodele pe care le veți utiliza în majoritatea timpului. | |
Xet Storage Details
- Size:
- 1.06 kB
- Xet hash:
- aa7368460fadeef5e0935d060cad918cc8a645374e07574848a73b6aa75ce6e7
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.