course/pr_1213/es/_app/immutable/nodes/36.ff63e43a.js

import{s as Z,n as ee,o as te}from"../chunks/scheduler.505acc25.js";import{S as ae,i as ne,e as r,s as o,c as I,h as oe,a as l,d as a,b as s,f as Y,g as F,j as y,k as N,l as se,m as n,n as O,t as U,o as B,p as D}from"../chunks/index.e22abd30.js";import{C as re,H as le,E as ie}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.a144e953.js";import{C as ce}from"../chunks/CourseFloatingBanner.f0a2dc21.js";function me(G){let i,_,x,C,m,T,d,M,p,P,u,K='Como viste en el <a href="/course/chapter1">Capítulo 1</a>, los modelos Transformer suelen ser muy grandes. Con millones o decenas de <em>miles de millones</em> de parámetros, entrenar y desplegar estos modelos es una tarea complicada. Además, como salen modelos nuevos casi a diario y cada uno tiene su propia implementación, probarlos todos no es nada fácil.',H,f,Q="La librería 🤗 Transformers se creó para resolver este problema. Su objetivo es ofrecer una sola API con la que se pueda cargar, entrenar y guardar cualquier modelo Transformer. Las principales características de la librería son:",q,v,R="<li><strong>Facilidad de uso</strong>: Descargar, cargar y usar un modelo de PLN de última generación para inferencia puede hacerse en solo dos líneas de código.</li> <li><strong>Flexibilidad</strong>: En esencia, todos los modelos son clases simples de PyTorch <code>nn.Module</code> y pueden manejarse como cualquier otro modelo en sus respectivos frameworks de machine learning (ML).</li> <li><strong>Simplicidad</strong>: Apenas se hacen abstracciones en toda la librería. El concepto de “todo en un solo archivo” es fundamental: la pasada hacia delante de un modelo está definida por completo en un único archivo, así que el propio código es entendible y modificable.</li>",E,h,J="Esta última característica hace que 🤗 Transformers sea bastante diferente de otras librerías de ML. Los modelos no se construyen sobre módulos compartidos entre archivos; en cambio, cada modelo tiene sus propias capas. Además de hacer que los modelos sean más accesibles y fáciles de entender, esto te permite experimentar con un modelo sin afectar a los demás.",w,$,V='Este capítulo empieza con un ejemplo de principio a fin donde usamos un modelo y un tokenizador juntos para reproducir la función <code>pipeline()</code> presentada en el <a href="/course/chapter1">Capítulo 1</a>. Después hablaremos de la API de modelos: veremos en detalle las clases de modelo y configuración, y te mostraremos cómo cargar un modelo y cómo procesa entradas numéricas para generar predicciones.',k,g,W="Luego veremos la API del tokenizador, que es el otro componente principal de la función <code>pipeline()</code>. Los tokenizadores se encargan del primer y último paso del procesamiento: convierten el texto en entradas numéricas para la red neuronal y vuelven a convertirlo en texto cuando hace falta. Por último, te mostraremos cómo enviar varias frases a través de un modelo en un lote preparado y cerraremos con una mirada más de cerca a la función de alto nivel <code>tokenizer()</code>.",z,c,X='<p>⚠️ Para aprovechar todas las funciones disponibles en el Model Hub y en 🤗 Transformers, te recomendamos <a href="https://huggingface.co/join">crear una cuenta</a>.</p>',j,b,A,L,S;return m=new re({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),d=new le({props:{title:"Introducción",local:"introduction",headingTag:"h1"}}),p=new ce({props:{chapter:2,classNames:"absolute z-10 right-0 top-0"}}),b=new ie({props:{source:"https://github.com/huggingface/course/blob/main/chapters/es/chapter2/1.mdx"}}),{c(){i=r("meta"),_=o(),x=r("p"),C=o(),I(m.$$.fragment),T=o(),I(d.$$.fragment),M=o(),I(p.$$.fragment),P=o(),u=r("p"),u.innerHTML=K,H=o(),f=r("p"),f.textContent=Q,q=o(),v=r("ul"),v.innerHTML=R,E=o(),h=r("p"),h.textContent=J,w=o(),$=r("p"),$.innerHTML=V,k=o(),g=r("p"),g.innerHTML=W,z=o(),c=r("blockquote"),c.innerHTML=X,j=o(),I(b.$$.fragment),A=o(),L=r("p"),this.h()},l(e){const t=oe("svelte-u9bgzb",document.head);i=l(t,"META",{name:!0,content:!0}),t.forEach(a),_=s(e),x=l(e,"P",{}),Y(x).forEach(a),C=s(e),F(m.$$.fragment,e),T=s(e),F(d.$$.fragment,e),M=s(e),F(p.$$.fragment,e),P=s(e),u=l(e,"P",{"data-svelte-h":!0}),y(u)!=="svelte-1c0c3hw"&&(u.innerHTML=K),H=s(e),f=l(e,"P",{"data-svelte-h":!0}),y(f)!=="svelte-1phtgv7"&&(f.textContent=Q),q=s(e),v=l(e,"UL",{"data-svelte-h":!0}),y(v)!=="svelte-15nniko"&&(v.innerHTML=R),E=s(e),h=l(e,"P",{"data-svelte-h":!0}),y(h)!=="svelte-6yjhf6"&&(h.textContent=J),w=s(e),$=l(e,"P",{"data-svelte-h":!0}),y($)!=="svelte-ybfxgh"&&($.innerHTML=V),k=s(e),g=l(e,"P",{"data-svelte-h":!0}),y(g)!=="svelte-7a1vfh"&&(g.innerHTML=W),z=s(e),c=l(e,"BLOCKQUOTE",{class:!0,"data-svelte-h":!0}),y(c)!=="svelte-1p8opq9"&&(c.innerHTML=X),j=s(e),F(b.$$.fragment,e),A=s(e),L=l(e,"P",{}),Y(L).forEach(a),this.h()},h(){N(i,"name","hf:doc:metadata"),N(i,"content",de),N(c,"class","tip")},m(e,t){se(document.head,i),n(e,_,t),n(e,x,t),n(e,C,t),O(m,e,t),n(e,T,t),O(d,e,t),n(e,M,t),O(p,e,t),n(e,P,t),n(e,u,t),n(e,H,t),n(e,f,t),n(e,q,t),n(e,v,t),n(e,E,t),n(e,h,t),n(e,w,t),n(e,$,t),n(e,k,t),n(e,g,t),n(e,z,t),n(e,c,t),n(e,j,t),O(b,e,t),n(e,A,t),n(e,L,t),S=!0},p:ee,i(e){S||(U(m.$$.fragment,e),U(d.$$.fragment,e),U(p.$$.fragment,e),U(b.$$.fragment,e),S=!0)},o(e){B(m.$$.fragment,e),B(d.$$.fragment,e),B(p.$$.fragment,e),B(b.$$.fragment,e),S=!1},d(e){e&&(a(_),a(x),a(C),a(T),a(M),a(P),a(u),a(H),a(f),a(q),a(v),a(E),a(h),a(w),a($),a(k),a(g),a(z),a(c),a(j),a(A),a(L)),a(i),D(m,e),D(d,e),D(p,e),D(b,e)}}}const de='{"title":"Introducción","local":"introduction","sections":[],"depth":1}';function pe(G){return te(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class $e extends ae{constructor(i){super(),ne(this,i,pe,me,Z,{})}}export{$e as component};