Buckets:

hf-doc-build
/

doc-dev

hf-doc-build/doc-dev / transformers /main /ar /_app /immutable /nodes /14.65fa8099.js

rtrm's picture

about 2 months ago

86.5 kB

	import{s as Ha,o as Ia,n as I}from"../chunks/scheduler.c38028ba.js";import{S as Xa,i as Fa,g as h,s as o,r as c,m as xa,A as Na,h as y,f as a,c as m,j as z,u as f,x as j,n as Ea,k as Yl,y as _,a as n,v as d,d as $,t as u,w as g}from"../chunks/index.6df1961f.js";import{T as es}from"../chunks/Tip.4d66f917.js";import{Y as Va}from"../chunks/Youtube.a0249259.js";import{C as U}from"../chunks/CodeBlock.85c468cd.js";import{D as za}from"../chunks/DocNotebookDropdown.8ec3d944.js";import{F as ze,M as B}from"../chunks/Markdown.5e7b4bfd.js";import{H as q,E as Ya}from"../chunks/EditOnGithub.fa45e999.js";function Ba(T){let s,p;return s=new U({props:{code:"cGlwJTIwaW5zdGFsbCUyMHRvcmNo",highlighted:"pip install torch",wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Aa(T){let s,p;return s=new B({props:{$$slots:{default:[Ba]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function La(T){let s,p;return s=new U({props:{code:"cGlwJTIwaW5zdGFsbCUyMHRlbnNvcmZsb3c=",highlighted:"pip install tensorflow",wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Qa(T){let s,p;return s=new B({props:{$$slots:{default:[La]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function qa(T){let s,p='للاطلاع على القائمة الكاملة للمهام المتاحة، راجع <a href="./main_classes/pipelines">مرجع واجهة برمجة التطبيقات الخاصة بخط الأنابيب</a>.';return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-1dtpd4d"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function Sa(T){let s,p="استخدم <code>AutoModelForSequenceClassification</code> و <code>AutoTokenizer</code> لتحميل النموذج المُدرب مسبقًا ومعالجته المرتبط به (مزيد من المعلومات حول <code>AutoClass</code> في القسم التالي):",e,r,M;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMkMlMjBBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uJTBBJTBBbW9kZWwlMjAlM0QlMjBBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZChtb2RlbF9uYW1lKSUwQXRva2VuaXplciUyMCUzRCUyMEF1dG9Ub2tlbml6ZXIuZnJvbV9wcmV0cmFpbmVkKG1vZGVsX25hbWUp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, AutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model = AutoModelForSequenceClassification.from_pretrained(model_name)
	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(model_name)`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment)},l(i){s=y(i,"P",{"data-svelte-h":!0}),j(s)!=="svelte-9h6e10"&&(s.innerHTML=p),e=m(i),f(r.$$.fragment,i)},m(i,k){n(i,s,k),n(i,e,k),d(r,i,k),M=!0},p:I,i(i){M\|\|($(r.$$.fragment,i),M=!0)},o(i){u(r.$$.fragment,i),M=!1},d(i){i&&(a(s),a(e)),g(r,i)}}}function Pa(T){let s,p;return s=new B({props:{$$slots:{default:[Sa]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Da(T){let s,p="استخدم <code>TFAutoModelForSequenceClassification</code> و <code>AutoTokenizer</code> لتحميل النموذج المُدرب مسبقًا ومعالجته المرتبط به (مزيد من المعلومات حول <code>TFAutoClass</code> في القسم التالي):",e,r,M;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMkMlMjBURkF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24lMEElMEFtb2RlbCUyMCUzRCUyMFRGQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbi5mcm9tX3ByZXRyYWluZWQobW9kZWxfbmFtZSklMEF0b2tlbml6ZXIlMjAlM0QlMjBBdXRvVG9rZW5pemVyLmZyb21fcHJldHJhaW5lZChtb2RlbF9uYW1lKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer, TFAutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model = TFAutoModelForSequenceClassification.from_pretrained(model_name)
	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(model_name)`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment)},l(i){s=y(i,"P",{"data-svelte-h":!0}),j(s)!=="svelte-7odqpg"&&(s.innerHTML=p),e=m(i),f(r.$$.fragment,i)},m(i,k){n(i,s,k),n(i,e,k),d(r,i,k),M=!0},p:I,i(i){M\|\|($(r.$$.fragment,i),M=!0)},o(i){u(r.$$.fragment,i),M=!1},d(i){i&&(a(s),a(e)),g(r,i)}}}function Oa(T){let s,p;return s=new B({props:{$$slots:{default:[Da]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Ka(T){let s,p;return s=new U({props:{code:"cHRfYmF0Y2glMjAlM0QlMjB0b2tlbml6ZXIoJTBBJTIwJTIwJTIwJTIwJTVCJTIyV2UlMjBhcmUlMjB2ZXJ5JTIwaGFwcHklMjB0byUyMHNob3clMjB5b3UlMjB0aGUlMjAlRjAlOUYlQTQlOTclMjBUcmFuc2Zvcm1lcnMlMjBsaWJyYXJ5LiUyMiUyQyUyMCUyMldlJTIwaG9wZSUyMHlvdSUyMGRvbid0JTIwaGF0ZSUyMGl0LiUyMiU1RCUyQyUwQSUyMCUyMCUyMCUyMHBhZGRpbmclM0RUcnVlJTJDJTBBJTIwJTIwJTIwJTIwdHJ1bmNhdGlvbiUzRFRydWUlMkMlMEElMjAlMjAlMjAlMjBtYXhfbGVuZ3RoJTNENTEyJTJDJTBBJTIwJTIwJTIwJTIwcmV0dXJuX3RlbnNvcnMlM0QlMjJwdCUyMiUyQyUwQSk=",highlighted:`<span class="hljs-meta">>>> </span>pt_batch = tokenizer(
	<span class="hljs-meta">... </span> [<span class="hljs-string">"We are very happy to show you the 🤗 Transformers library."</span>, <span class="hljs-string">"We hope you don't hate it."</span>],
	<span class="hljs-meta">... </span> padding=<span class="hljs-literal">True</span>,
	<span class="hljs-meta">... </span> truncation=<span class="hljs-literal">True</span>,
	<span class="hljs-meta">... </span> max_length=<span class="hljs-number">512</span>,
	<span class="hljs-meta">... </span> return_tensors=<span class="hljs-string">"pt"</span>,
	<span class="hljs-meta">... </span>)`,wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function tn(T){let s,p;return s=new B({props:{$$slots:{default:[Ka]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function en(T){let s,p;return s=new U({props:{code:"dGZfYmF0Y2glMjAlM0QlMjB0b2tlbml6ZXIoJTBBJTIwJTIwJTIwJTIwJTVCJTIyV2UlMjBhcmUlMjB2ZXJ5JTIwaGFwcHklMjB0byUyMHNob3clMjB5b3UlMjB0aGUlMjAlRjAlOUYlQTQlOTclMjBUcmFuc2Zvcm1lcnMlMjBsaWJyYXJ5LiUyMiUyQyUyMCUyMldlJTIwaG9wZSUyMHlvdSUyMGRvbid0JTIwaGF0ZSUyMGl0LiUyMiU1RCUyQyUwQSUyMCUyMCUyMCUyMHBhZGRpbmclM0RUcnVlJTJDJTBBJTIwJTIwJTIwJTIwdHJ1bmNhdGlvbiUzRFRydWUlMkMlMEElMjAlMjAlMjAlMjBtYXhfbGVuZ3RoJTNENTEyJTJDJTBBJTIwJTIwJTIwJTIwcmV0dXJuX3RlbnNvcnMlM0QlMjJ0ZiUyMiUyQyUwQSk=",highlighted:`<span class="hljs-meta">>>> </span>tf_batch = tokenizer(
	<span class="hljs-meta">... </span> [<span class="hljs-string">"We are very happy to show you the 🤗 Transformers library."</span>, <span class="hljs-string">"We hope you don't hate it."</span>],
	<span class="hljs-meta">... </span> padding=<span class="hljs-literal">True</span>,
	<span class="hljs-meta">... </span> truncation=<span class="hljs-literal">True</span>,
	<span class="hljs-meta">... </span> max_length=<span class="hljs-number">512</span>,
	<span class="hljs-meta">... </span> return_tensors=<span class="hljs-string">"tf"</span>,
	<span class="hljs-meta">... </span>)`,wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function sn(T){let s,p;return s=new B({props:{$$slots:{default:[en]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function ln(T){let s,p='اطلع على <a href="./preprocessing">الدليل التمهيدي للمعالجة المسبقة</a> للحصول على مزيد من التفاصيل حول المعالجة، وكيفية استخدام <code>AutoImageProcessor</code> و <code>AutoFeatureExtractor</code> و <code>AutoProcessor</code> لمعالجة الصور والصوت والإدخالات متعددة الوسائط.';return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-1sirl4s"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function an(T){let s,p='راجع <a href="./task_summary">ملخص المهمة</a> للاطلاع على المهام التي تدعمها فئة <code>AutoModel</code>.';return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-17zn3fe"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function nn(T){let s,p="تقدم مكتبة 🤗 Transformers طريقة بسيطة وموحدة لتحميل نماذج مدربة مسبقًا. وهذا يعني أنه يمكنك تحميل <code>AutoModel</code> كما لو كنت تقوم بتحميل <code>AutoTokenizer</code>. الفرق الوحيد هو اختيار فئة <code>AutoModel</code> المناسبة للمهمة. بالنسبة لتصنيف النص (أو التسلسل)، يجب عليك تحميل <code>AutoModelForSequenceClassification</code>:",e,r,M,i,k,C,v="الآن قم بتمرير دفعة المدخلات المُعالجة مسبقًا مباشرة إلى النموذج. عليك فقط فك تعبئة القاموس عن طريق إضافة <code></code>:",W,b,Z,H,D="الآن، مرر دفعة المدخلات المعالجة مسبقًا مباشرة إلى النموذج. ما عليك سوى فك تعبئة القاموس عن طريق إضافة <code></code>:",X,V,F,J,G="يُخرج النموذج التنشيطات النهائية في سمة <code>logits</code>. طبق دالة softmax على <code>logits</code> للحصول على الاحتمالات:",x,L,Q;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24lMEElMEFtb2RlbF9uYW1lJTIwJTNEJTIwJTIybmxwdG93biUyRmJlcnQtYmFzZS1tdWx0aWxpbmd1YWwtdW5jYXNlZC1zZW50aW1lbnQlMjIlMEFwdF9tb2RlbCUyMCUzRCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKG1vZGVsX25hbWUp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model_name = <span class="hljs-string">"nlptown/bert-base-multilingual-uncased-sentiment"</span>
	<span class="hljs-meta">>>> </span>pt_model = AutoModelForSequenceClassification.from_pretrained(model_name)`,wrap:!1}}),i=new es({props:{$$slots:{default:[an]},$$scope:{ctx:T}}}),b=new q({props:{title:"تدريب النموذج",local:"تدريب-النموذج",headingTag:"h1"}}),V=new U({props:{code:"cHRfb3V0cHV0cyUyMCUzRCUyMHB0X21vZGVsKCoqcHRfYmF0Y2gp",highlighted:'<span class="hljs-meta">>>> </span>pt_outputs = pt_model(**pt_batch)',wrap:!1}}),L=new U({props:{code:"ZnJvbSUyMHRvcmNoJTIwaW1wb3J0JTIwbm4lMEElMEFwdF9wcmVkaWN0aW9ucyUyMCUzRCUyMG5uLmZ1bmN0aW9uYWwuc29mdG1heChwdF9vdXRwdXRzLmxvZ2l0cyUyQyUyMGRpbSUzRC0xKSUwQXByaW50KHB0X3ByZWRpY3Rpb25zKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> torch <span class="hljs-keyword">import</span> nn

	<span class="hljs-meta">>>> </span>pt_predictions = nn.functional.softmax(pt_outputs.logits, dim=-<span class="hljs-number">1</span>)
	<span class="hljs-meta">>>> </span><span class="hljs-built_in">print</span>(pt_predictions)
	tensor([[<span class="hljs-number">0.0021</span>, <span class="hljs-number">0.0018</span>, <span class="hljs-number">0.0115</span>, <span class="hljs-number">0.2121</span>, <span class="hljs-number">0.7725</span>],
	[<span class="hljs-number">0.2084</span>, <span class="hljs-number">0.1826</span>, <span class="hljs-number">0.1969</span>, <span class="hljs-number">0.1755</span>, <span class="hljs-number">0.2365</span>]], grad_fn=<SoftmaxBackward0>)`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment),M=o(),c(i.$$.fragment),k=o(),C=h("p"),C.innerHTML=v,W=o(),c(b.$$.fragment),Z=o(),H=h("p"),H.innerHTML=D,X=o(),c(V.$$.fragment),F=o(),J=h("p"),J.innerHTML=G,x=o(),c(L.$$.fragment)},l(w){s=y(w,"P",{"data-svelte-h":!0}),j(s)!=="svelte-gzn29y"&&(s.innerHTML=p),e=m(w),f(r.$$.fragment,w),M=m(w),f(i.$$.fragment,w),k=m(w),C=y(w,"P",{"data-svelte-h":!0}),j(C)!=="svelte-x4qdtl"&&(C.innerHTML=v),W=m(w),f(b.$$.fragment,w),Z=m(w),H=y(w,"P",{"data-svelte-h":!0}),j(H)!=="svelte-jqv5l"&&(H.innerHTML=D),X=m(w),f(V.$$.fragment,w),F=m(w),J=y(w,"P",{"data-svelte-h":!0}),j(J)!=="svelte-183w6an"&&(J.innerHTML=G),x=m(w),f(L.$$.fragment,w)},m(w,R){n(w,s,R),n(w,e,R),d(r,w,R),n(w,M,R),d(i,w,R),n(w,k,R),n(w,C,R),n(w,W,R),d(b,w,R),n(w,Z,R),n(w,H,R),n(w,X,R),d(V,w,R),n(w,F,R),n(w,J,R),n(w,x,R),d(L,w,R),Q=!0},p(w,R){const mt={};R&2&&(mt.$$scope={dirty:R,ctx:w}),i.$set(mt)},i(w){Q\|\|($(r.$$.fragment,w),$(i.$$.fragment,w),$(b.$$.fragment,w),$(V.$$.fragment,w),$(L.$$.fragment,w),Q=!0)},o(w){u(r.$$.fragment,w),u(i.$$.fragment,w),u(b.$$.fragment,w),u(V.$$.fragment,w),u(L.$$.fragment,w),Q=!1},d(w){w&&(a(s),a(e),a(M),a(k),a(C),a(W),a(Z),a(H),a(X),a(F),a(J),a(x)),g(r,w),g(i,w),g(b,w),g(V,w),g(L,w)}}}function rn(T){let s,p;return s=new B({props:{$$slots:{default:[nn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function pn(T){let s,p='راجع <a href="./task_summary">ملخص المهام</a> للمهام المدعومة بواسطة فئة <code>AutoModel</code>.';return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-7ul57v"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function on(T){let s,p="يوفر 🤗 Transformers طريقة بسيطة وموحدة لتحميل مثيلات مُدربة مسبقًا. وهذا يعني أنه يمكنك تحميل <code>TFAutoModel</code> مثل تحميل <code>AutoTokenizer</code>. والفرق الوحيد هو تحديد <code>TFAutoModel</code> الصحيح للمهمة. للتصنيف النصي (أو التسلسلي)، يجب تحميل <code>TFAutoModelForSequenceClassification</code>:",e,r,M,i,k,C,v="الآن، مرر دفعة المدخلات المعالجة مسبقًا مباشرة إلى النموذج. يمكنك تمرير المصفوفات كما هي:",W,b,Z,H,D="يقوم النموذج بإخراج التنشيطات النهائية في سمة <code>logits</code>. طبق دالة softmax على <code>logits</code> لاسترداد الاحتمالات:",X,V,F;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbiUwQSUwQW1vZGVsX25hbWUlMjAlM0QlMjAlMjJubHB0b3duJTJGYmVydC1iYXNlLW11bHRpbGluZ3VhbC11bmNhc2VkLXNlbnRpbWVudCUyMiUwQXRmX21vZGVsJTIwJTNEJTIwVEZBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZChtb2RlbF9uYW1lKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model_name = <span class="hljs-string">"nlptown/bert-base-multilingual-uncased-sentiment"</span>
	<span class="hljs-meta">>>> </span>tf_model = TFAutoModelForSequenceClassification.from_pretrained(model_name)`,wrap:!1}}),i=new es({props:{$$slots:{default:[pn]},$$scope:{ctx:T}}}),b=new U({props:{code:"dGZfb3V0cHV0cyUyMCUzRCUyMHRmX21vZGVsKHRmX2JhdGNoKQ==",highlighted:'<span class="hljs-meta">>>> </span>tf_outputs = tf_model(tf_batch)',wrap:!1}}),V=new U({props:{code:"aW1wb3J0JTIwdGVuc29yZmxvdyUyMGFzJTIwdGYlMEElMEF0Zl9wcmVkaWN0aW9ucyUyMCUzRCUyMHRmLm5uLnNvZnRtYXgodGZfb3V0cHV0cy5sb2dpdHMlMkMlMjBheGlzJTNELTEpJTBBdGZfcHJlZGljdGlvbnM=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">import</span> tensorflow <span class="hljs-keyword">as</span> tf

	<span class="hljs-meta">>>> </span>tf_predictions = tf.nn.softmax(tf_outputs.logits, axis=-<span class="hljs-number">1</span>)
	<span class="hljs-meta">>>> </span>tf_predictions`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment),M=o(),c(i.$$.fragment),k=o(),C=h("p"),C.textContent=v,W=o(),c(b.$$.fragment),Z=o(),H=h("p"),H.innerHTML=D,X=o(),c(V.$$.fragment)},l(J){s=y(J,"P",{"data-svelte-h":!0}),j(s)!=="svelte-y8qcrg"&&(s.innerHTML=p),e=m(J),f(r.$$.fragment,J),M=m(J),f(i.$$.fragment,J),k=m(J),C=y(J,"P",{"data-svelte-h":!0}),j(C)!=="svelte-11b8br7"&&(C.textContent=v),W=m(J),f(b.$$.fragment,J),Z=m(J),H=y(J,"P",{"data-svelte-h":!0}),j(H)!=="svelte-xbys9x"&&(H.innerHTML=D),X=m(J),f(V.$$.fragment,J)},m(J,G){n(J,s,G),n(J,e,G),d(r,J,G),n(J,M,G),d(i,J,G),n(J,k,G),n(J,C,G),n(J,W,G),d(b,J,G),n(J,Z,G),n(J,H,G),n(J,X,G),d(V,J,G),F=!0},p(J,G){const x={};G&2&&(x.$$scope={dirty:G,ctx:J}),i.$set(x)},i(J){F\|\|($(r.$$.fragment,J),$(i.$$.fragment,J),$(b.$$.fragment,J),$(V.$$.fragment,J),F=!0)},o(J){u(r.$$.fragment,J),u(i.$$.fragment,J),u(b.$$.fragment,J),u(V.$$.fragment,J),F=!1},d(J){J&&(a(s),a(e),a(M),a(k),a(C),a(W),a(Z),a(H),a(X)),g(r,J),g(i,J),g(b,J),g(V,J)}}}function mn(T){let s,p;return s=new B({props:{$$slots:{default:[on]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function cn(T){let s,p="تخرج جميع نماذج 🤗 Transformers (PyTorch أو TensorFlow) المصفوفات <em>قبل</em> دالة التنشيط النهائية (مثل softmax) لأن دالة التنشيط النهائية غالبًا ما تكون مدمجة مع دالة الخسارة. نواتج النموذج عبارة عن فئات بيانات خاصة، لذلك يتم استكمال سماتها تلقائيًا في IDE. وتتصرف مخرجات النموذج مثل زوج مرتب أو قاموس (يمكنك الفهرسة باستخدام عدد صحيح ، شريحة، أو سلسلة)، وفي هذه الحالة، يتم تجاهل السمات التي تساوي None.";return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-ssc10n"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function fn(T){let s,p="بمجرد ضبط نموذجك، يمكنك حفظه مع برنامج الترميز الخاص به باستخدام <code>PreTrainedModel.save_pretrained()</code>:",e,r,M,i,k="عندما تكون مستعدًا لاستخدام النموذج مرة أخرى، أعد تحميله باستخدام <code>PreTrainedModel.from_pretrained()</code>:",C,v,W;return r=new U({props:{code:"cHRfc2F2ZV9kaXJlY3RvcnklMjAlM0QlMjAlMjIuJTJGcHRfc2F2ZV9wcmV0cmFpbmVkJTIyJTBBdG9rZW5pemVyLnNhdmVfcHJldHJhaW5lZChwdF9zYXZlX2RpcmVjdG9yeSklMEFwdF9tb2RlbC5zYXZlX3ByZXRyYWluZWQocHRfc2F2ZV9kaXJlY3Rvcnkp",highlighted:`<span class="hljs-meta">>>> </span>pt_save_directory = <span class="hljs-string">"./pt_save_pretrained"</span>
	<span class="hljs-meta">>>> </span>tokenizer.save_pretrained(pt_save_directory)
	<span class="hljs-meta">>>> </span>pt_model.save_pretrained(pt_save_directory)`,wrap:!1}}),v=new U({props:{code:"cHRfbW9kZWwlMjAlM0QlMjBBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZCglMjIuJTJGcHRfc2F2ZV9wcmV0cmFpbmVkJTIyKQ==",highlighted:'<span class="hljs-meta">>>> </span>pt_model = AutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">"./pt_save_pretrained"</span>)',wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment),M=o(),i=h("p"),i.innerHTML=k,C=o(),c(v.$$.fragment)},l(b){s=y(b,"P",{"data-svelte-h":!0}),j(s)!=="svelte-vr1dpy"&&(s.innerHTML=p),e=m(b),f(r.$$.fragment,b),M=m(b),i=y(b,"P",{"data-svelte-h":!0}),j(i)!=="svelte-n8n5mv"&&(i.innerHTML=k),C=m(b),f(v.$$.fragment,b)},m(b,Z){n(b,s,Z),n(b,e,Z),d(r,b,Z),n(b,M,Z),n(b,i,Z),n(b,C,Z),d(v,b,Z),W=!0},p:I,i(b){W\|\|($(r.$$.fragment,b),$(v.$$.fragment,b),W=!0)},o(b){u(r.$$.fragment,b),u(v.$$.fragment,b),W=!1},d(b){b&&(a(s),a(e),a(M),a(i),a(C)),g(r,b),g(v,b)}}}function dn(T){let s,p;return s=new B({props:{$$slots:{default:[fn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function $n(T){let s,p="بمجرد ضبط نموذجك، يمكنك حفظه مع برنامج الترميز الخاص به باستخدام <code>TFPreTrainedModel.save_pretrained()</code>:",e,r,M,i,k="عندما تكون مستعدًا لاستخدام النموذج مرة أخرى، أعد تحميله باستخدام <code>TFPreTrainedModel.from_pretrained()</code>:",C,v,W;return r=new U({props:{code:"dGZfc2F2ZV9kaXJlY3RvcnklMjAlM0QlMjAlMjIuJTJGdGZfc2F2ZV9wcmV0cmFpbmVkJTIyJTBBdG9rZW5pemVyLnNhdmVfcHJldHJhaW5lZCh0Zl9zYXZlX2RpcmVjdG9yeSklMEF0Zl9tb2RlbC5zYXZlX3ByZXRyYWluZWQodGZfc2F2ZV9kaXJlY3Rvcnkp",highlighted:`<span class="hljs-meta">>>> </span>tf_save_directory = <span class="hljs-string">"./tf_save_pretrained"</span>
	<span class="hljs-meta">>>> </span>tokenizer.save_pretrained(tf_save_directory)
	<span class="hljs-meta">>>> </span>tf_model.save_pretrained(tf_save_directory)`,wrap:!1}}),v=new U({props:{code:"dGZfbW9kZWwlMjAlM0QlMjBURkF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKCUyMi4lMkZ0Zl9zYXZlX3ByZXRyYWluZWQlMjIp",highlighted:'<span class="hljs-meta">>>> </span>tf_model = TFAutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">"./tf_save_pretrained"</span>)',wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment),M=o(),i=h("p"),i.innerHTML=k,C=o(),c(v.$$.fragment)},l(b){s=y(b,"P",{"data-svelte-h":!0}),j(s)!=="svelte-njc51o"&&(s.innerHTML=p),e=m(b),f(r.$$.fragment,b),M=m(b),i=y(b,"P",{"data-svelte-h":!0}),j(i)!=="svelte-djl1lx"&&(i.innerHTML=k),C=m(b),f(v.$$.fragment,b)},m(b,Z){n(b,s,Z),n(b,e,Z),d(r,b,Z),n(b,M,Z),n(b,i,Z),n(b,C,Z),d(v,b,Z),W=!0},p:I,i(b){W\|\|($(r.$$.fragment,b),$(v.$$.fragment,b),W=!0)},o(b){u(r.$$.fragment,b),u(v.$$.fragment,b),W=!1},d(b){b&&(a(s),a(e),a(M),a(i),a(C)),g(r,b),g(v,b)}}}function un(T){let s,p;return s=new B({props:{$$slots:{default:[$n]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function gn(T){let s,p;return s=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbCUwQSUwQXRva2VuaXplciUyMCUzRCUyMEF1dG9Ub2tlbml6ZXIuZnJvbV9wcmV0cmFpbmVkKHRmX3NhdmVfZGlyZWN0b3J5KSUwQXB0X21vZGVsJTIwJTNEJTIwQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbi5mcm9tX3ByZXRyYWluZWQodGZfc2F2ZV9kaXJlY3RvcnklMkMlMjBmcm9tX3RmJTNEVHJ1ZSk=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModel

	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(tf_save_directory)
	<span class="hljs-meta">>>> </span>pt_model = AutoModelForSequenceClassification.from_pretrained(tf_save_directory, from_tf=<span class="hljs-literal">True</span>)`,wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Mn(T){let s,p;return s=new B({props:{$$slots:{default:[gn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function hn(T){let s,p;return s=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsJTBBJTBBdG9rZW5pemVyJTIwJTNEJTIwQXV0b1Rva2VuaXplci5mcm9tX3ByZXRyYWluZWQocHRfc2F2ZV9kaXJlY3RvcnkpJTBBdGZfbW9kZWwlMjAlM0QlMjBURkF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKHB0X3NhdmVfZGlyZWN0b3J5JTJDJTIwZnJvbV9wdCUzRFRydWUp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModel

	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(pt_save_directory)
	<span class="hljs-meta">>>> </span>tf_model = TFAutoModelForSequenceClassification.from_pretrained(pt_save_directory, from_pt=<span class="hljs-literal">True</span>)`,wrap:!1}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p:I,i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function yn(T){let s,p;return s=new B({props:{$$slots:{default:[hn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function bn(T){let s,p="قم بإنشاء نموذج من تكوينك المخصص باستخدام <code>AutoModel.from_config()</code>:",e,r,M;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbCUwQSUwQW15X21vZGVsJTIwJTNEJTIwQXV0b01vZGVsLmZyb21fY29uZmlnKG15X2NvbmZpZyk=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModel

	<span class="hljs-meta">>>> </span>my_model = AutoModel.from_config(my_config)`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment)},l(i){s=y(i,"P",{"data-svelte-h":!0}),j(s)!=="svelte-1yhndhu"&&(s.innerHTML=p),e=m(i),f(r.$$.fragment,i)},m(i,k){n(i,s,k),n(i,e,k),d(r,i,k),M=!0},p:I,i(i){M\|\|($(r.$$.fragment,i),M=!0)},o(i){u(r.$$.fragment,i),M=!1},d(i){i&&(a(s),a(e)),g(r,i)}}}function jn(T){let s,p;return s=new B({props:{$$slots:{default:[bn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Tn(T){let s,p="قم بإنشاء نموذج من تكوينك المخصص باستخدام <code>TFAutoModel.from_config()</code>:",e,r,M;return r=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsJTBBJTBBbXlfbW9kZWwlMjAlM0QlMjBURkF1dG9Nb2RlbC5mcm9tX2NvbmZpZyhteV9jb25maWcp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModel

	<span class="hljs-meta">>>> </span>my_model = TFAutoModel.from_config(my_config)`,wrap:!1}}),{c(){s=h("p"),s.innerHTML=p,e=o(),c(r.$$.fragment)},l(i){s=y(i,"P",{"data-svelte-h":!0}),j(s)!=="svelte-bowye4"&&(s.innerHTML=p),e=m(i),f(r.$$.fragment,i)},m(i,k){n(i,s,k),n(i,e,k),d(r,i,k),M=!0},p:I,i(i){M\|\|($(r.$$.fragment,i),M=!0)},o(i){u(r.$$.fragment,i),M=!1},d(i){i&&(a(s),a(e)),g(r,i)}}}function wn(T){let s,p;return s=new B({props:{$$slots:{default:[Tn]},$$scope:{ctx:T}}}),{c(){c(s.$$.fragment)},l(e){f(s.$$.fragment,e)},m(e,r){d(s,e,r),p=!0},p(e,r){const M={};r&2&&(M.$$scope={dirty:r,ctx:e}),s.$set(M)},i(e){p\|\|($(s.$$.fragment,e),p=!0)},o(e){u(s.$$.fragment,e),p=!1},d(e){g(s,e)}}}function Jn(T){let s,p="بالنسبة للمهام - مثل الترجمة أو التلخيص - التي تستخدم نموذج تسلسل إلى تسلسل، استخدم فئات <code>Seq2SeqTrainer</code> و <code>Seq2SeqTrainingArguments</code> بدلاً من ذلك.";return{c(){s=h("p"),s.innerHTML=p},l(e){s=y(e,"P",{"data-svelte-h":!0}),j(s)!=="svelte-z4l73f"&&(s.innerHTML=p)},m(e,r){n(e,s,r)},p:I,d(e){e&&a(s)}}}function Un(T){let s,p,e,r,M,i,k,C,v,W='ابدأ رحلتك مع مكتبة 🤗 Transformers! سواء كنت مطورًا أو مستخدمًا عاديًا، ستساعدك هذه الجولة السريعة على البدء وستُظهر لك كيفية استخدام <code>pipeline()</code> للاستنتاج، وتحميل نموذج مُدرب مسبقًا ومعالج مُسبق مع <a href="./model_doc/auto">AutoClass</a>، وتدريب نموذج بسرعة باستخدام PyTorch أو TensorFlow. إذا كنت مبتدئًا، نوصي بالاطلاع على دروسنا أو <a href="https://huggingface.co/course/chapter1/1" rel="nofollow">الدورة</a> للحصول على شرح أكثر تعمقًا للمفاهيم المقدمة هنا.',b,Z,H="قبل البدء، تأكد من تثبيت جميع المكتبات الضرورية:",D,X,V,F,J="ستحتاج أيضًا إلى تثبيت إطار عمل التعلم الآلي المفضل لديك:",G,x,L,Q,w,R,mt,it,Bl="يمثل <code>pipeline()</code> أسهل وأسرع طريقة لاستخدام نموذج مُدرب مسبقًا للاستنتاج. يمكنك استخدام <code>pipeline()</code> جاهزًا للعديد من المهام عبر طرق مختلفة، والتي يظهر بعضها في الجدول أدناه:",ls,O,as,K,Al="<table><thead><tr><th><strong>المهمة</strong></th> <th><strong>الوصف</strong></th> <th><strong>الطريقة</strong></th> <th><strong>معرف خط الأنابيب</strong></th></tr></thead> <tbody><tr><td>تصنيف النص</td> <td>تعيين تسمية إلى تسلسل نص معين</td> <td>NLP</td> <td>pipeline(task=“sentiment-analysis”)</td></tr> <tr><td>توليد النص</td> <td>توليد نص بناءً على موجه معين</td> <td>NLP</td> <td>pipeline(task=“text-generation”)</td></tr> <tr><td>تلخيص</td> <td>توليد ملخص لتسلسل نص أو مستند</td> <td>NLP</td> <td>pipeline(task=“summarization”)</td></tr> <tr><td>تصنيف الصور</td> <td>تعيين تسمية لصورة معينة</td> <td>رؤية حاسوبية</td> <td>pipeline(task=“image-classification”)</td></tr> <tr><td>تجزئة الصورة</td> <td>تعيين تسمية لكل بكسل فردي في الصورة (يدعم التجزئة الدلالية، والمجملة، وتجزئة مثيلات)</td> <td>رؤية حاسوبية</td> <td>pipeline(task=“image-segmentation”)</td></tr> <tr><td>اكتشاف الأشياء</td> <td>التنبؤ بحدود الأشياء وفئاتها في صورة معينة</td> <td>رؤية حاسوبية</td> <td>pipeline(task=“object-detection”)</td></tr> <tr><td>تصنيف الصوت</td> <td>تعيين تسمية لبيانات صوتية معينة</td> <td>صوتي</td> <td>pipeline(task=“audio-classification”)</td></tr> <tr><td>التعرف على الكلام التلقائي</td> <td>نسخ الكلام إلى نص</td> <td>صوتي</td> <td>pipeline(task=“automatic-speech-recognition”)</td></tr> <tr><td>الإجابة على الأسئلة البصرية</td> <td>الإجابة على سؤال حول الصورة، مع إعطاء صورة وسؤال</td> <td>متعدد الوسائط</td> <td>pipeline(task=“vqa”)</td></tr> <tr><td>الإجابة على أسئلة المستندات</td> <td>الإجابة على سؤال حول المستند، مع إعطاء مستند وسؤال</td> <td>متعدد الوسائط</td> <td>pipeline(task=“document-question-answering”)</td></tr> <tr><td>كتابة تعليق على الصورة</td> <td>إنشاء تعليق على صورة معينة</td> <td>متعدد الوسائط</td> <td>pipeline(task=“image-to-text”)</td></tr></tbody></table>",ns,ct,rs,ft,Ll='يقوم <code>pipeline()</code> بتنزيل وتخزين نسخة احتياطية من نموذج افتراضي <a href="https://huggingface.co/distilbert/distilbert-base-uncased-finetuned-sst-2-english" rel="nofollow">مُدرب مسبقًا</a> ومعالج للتحليل النصي. الآن يمكنك استخدام <code>classifier</code> على النص المستهدف:',ps,dt,os,$t,Ql="إذا كان لديك أكثر من إدخال واحد، قم بتمرير إدخالاتك كقائمة إلى <code>pipeline()</code> لإرجاع قائمة من القواميس:",ms,ut,is,gt,ql="يمكن لخط الأنابيب أيضًا أن يتنقل خلال مجموعة بيانات كاملة لأي مهمة تريدها. كمثال على ذلك، دعنا نختار التعرف على الكلام التلقائي كمهمة لنا:",cs,Mt,fs,ht,Sl='قم بتحميل مجموعة بيانات صوتية (راجع دليل البدء السريع لـ 🤗 Datasets <a href="https://huggingface.co/docs/datasets/quickstart#audio" rel="nofollow">Quick Start</a> للحصول على مزيد من التفاصيل) التي تريد التنقل خلالها. على سبيل المثال، قم بتحميل مجموعة بيانات <a href="https://huggingface.co/datasets/PolyAI/minds14" rel="nofollow">MInDS-14</a>:',ds,yt,$s,bt,Pl='يجب التأكد من أن نفس الجودة الصوتية (معدل أخذ العينات) لمجموعة البيانات يتطابق مع معدل أخذ العينات الذي تم تدريب <a href="https://huggingface.co/facebook/wav2vec2-base-960h" rel="nofollow"><code>facebook/wav2vec2-base-960h</code></a> عليه:',us,jt,gs,Tt,Dl=`يتم تحميل الملفات الصوتية وإعادة تشكيلها تلقائيًا عند استدعاء العمود “audio”.
	استخرج المصفوفات الموجية الخام من أول 4 عينات ومررها كقائمة إلى خط الأنابيب:`,Ms,wt,hs,Jt,Ol='بالنسبة لمجموعات البيانات الكبيرة التي تحتوي على مدخلات ضخمة (كما هو الحال في البيانات الصوتية أو المرئية)، يفضل تمرير مولد (generator) بدلاً من قائمة لتحميل جميع المدخلات في الذاكرة دفعة واحدة. راجع <a href="./main_classes/pipelines">مرجع واجهة برمجة التطبيقات الخاصة بخط الأنابيب</a> للحصول على مزيد من المعلومات.',ys,Ut,bs,_t,Kl='يمكن لخط الأنابيب <code>pipeline()</code> استيعاب أي نموذج من <a href="https://huggingface.co/models" rel="nofollow">Hub</a>، مما يسهل التكيف مع حالات الاستخدام الأخرى. على سبيل المثال، إذا كنت تريد نموذجًا قادرًا على التعامل مع النص الفرنسي، فاستخدم العلامات على Hub لفلتره نموذج مناسب. تعيد النتيجة الأولى المرشحة نموذج BERT متعدد اللغات <a href="https://huggingface.co/nlptown/bert-base-multilingual-uncased-sentiment" rel="nofollow">BERT model</a> الذي تم ضبطه مسبقًا للتحليل المشاعر والذي يمكنك استخدامه للنص الفرنسي:',js,kt,Ts,tt,ws,Zt,ta="حدد النموذج والمعالج في <code>pipeline()</code>. الآن يمكنك تطبيق <code>classifier</code> على النص الفرنسي:",Js,Ct,Us,vt,ea='إذا لم تجد نموذجًا جاهزًا يناسب مهمتك، فستحتاج إلى ضبط نموذج مُدرب مسبقًا على بياناتك. اطلع على <a href="./training">دليل الضبط الدقيق</a> للتعرف على كيفية القيام بذلك. وبعد ضبط نموذجك المُدرب مسبقًا، يرجى مراعاة <a href="./model_sharing">المشاركة</a> النموذج مع المجتمع على Hub لمساعدة الجميع في مجال التعلم الآلي! 🤗',_s,Rt,ks,Gt,Zs,Wt,sa='في الخلفية، تعمل فئتا <code>AutoModelForSequenceClassification</code> و <code>AutoTokenizer</code> معًا لتشغيل دالة pipeline() الذي استخدمتها أعلاه. تعتبر <a href="./model_doc/auto">AutoClass</a> اختصارًا يقوم تلقائيًا باسترداد بنية نموذج مُدرب مسبقًا من اسمه أو مساره. كل ما عليك فعله هو تحديد فئة <code>AutoClass</code> المناسبة لمهمتك وفئة المعالجة المرتبطة بها.',Cs,Vt,la="لنعد إلى المثال من القسم السابق ولنرى كيف يمكنك استخدام <code>AutoClass</code> لتكرار نتائج خط الأنابيب.",vs,Ht,Rs,It,aa='يتولى المجزئ مسؤولية تحويل النص إلى مصفوفة من الأرقام (رموز) يمكن للنموذج فهمها ومعالجتها. هناك قواعد متعددة تحكم عملية التجزئة، بما في ذلك كيفية تقسيم كلمة وما هو المستوى الذي يجب أن تقسيم الكلمات عنده (تعرف على المزيد حول المعالجة في <a href="./tokenizer_summary">ملخص المجزئ</a>). أهم شيء يجب تذكره هو أنك تحتاج إلى إنشاء مثيل للمجزئ بنفس اسم النموذج لضمان استخدامك لقواعد التجزئة نفسها التي تم تدريب النموذج عليها.',Gs,Xt,na="قم بتحميل المجزئ باستخدام <code>AutoTokenizer</code>:",Ws,Ft,Vs,xt,ra="مرر نصك إلى المجزئ:",Hs,Nt,Is,Et,pa="يعيد المجزئ قاموسًا يحتوي على:",Xs,zt,oa='<li><a href="./glossary#input-ids">input_ids</a>: التمثيلات الرقمية لرموزك.</li> <li><a href="./glossary#attention-mask">attention_mask</a>: تشير إلى الرموز التي يجب الانتباه بها.</li>',Fs,Yt,ma="يمكن المجزئ أيضًا قبول قائمة من المدخلات، ويقوم بـ “حشو” و”تقصير” النص لإرجاع كدفعة بطول موحد:",xs,et,Ns,st,Es,Bt,zs,lt,Ys,at,Bs,At,As,nt,Ls,Lt,ia="من الميزات الرائعة في 🤗 Transformers القدرة على حفظ نموذج وإعادة تحميله كنموذج PyTorch أو TensorFlow. يمكن أن يحول معامل <code>from_pt</code> أو <code>from_tf</code> النموذج من إطار عمل إلى آخر:",Qs,rt,qs,Qt,Ss,qt,ca="يمكنك تعديل فئة تكوين النموذج لتغيير كيفية بناء النموذج. يحدد التكوين سمات النموذج، مثل عدد الطبقات المخفية أو رؤوس الاهتمام. تبدأ من الصفر عند تهيئة نموذج من فئة تكوين مخصصة. يتم تهيئة سمات النموذج بشكل عشوائي، ويجب تدريب النموذج قبل استخدامه للحصول على نتائج ذات معنى.",Ps,St,fa="ابدأ باستيراد <code>AutoConfig</code>. ثم قم بتحميل النموذج المُدرب مسبقًا الذي تريد تعديله. ضمن <code>AutoConfig.from_pretrained()</code>. يمكنك تحديد السمة التي تريد تغييرها، مثل عدد رؤوس الاهتمام:",Ds,Pt,Os,pt,Ks,Dt,da='الق نظرة على دليل <a href="./create_a_model">إنشاء بنية مخصصة</a> لمزيد من المعلومات حول بناء التكوينات المخصصة.',tl,Ot,el,Kt,$a='جميع النماذج عبارة عن <a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Module" rel="nofollow"><code>torch.nn.Module</code></a> قياسية، لذا يمكنك استخدامها في أي حلقة تدريب نموذجية. في حين يمكنك كتابة حلقة التدريب الخاصة بك، يوفر 🤗 Transformers فئة <code>Trainer</code> لـ PyTorch، والتي تحتوي على حلقة التدريب الأساسية وتضيف وظائف إضافية لميزات مثل التدريب الموزع، والدقة المختلطة، والمزيد.',sl,te,ua="وفقًا لمهمتك، ستقوم عادةً بتمرير المعلمات التالية إلى <code>Trainer</code>:",ll,N,ee,Ye,ga='ستبدأ بـ <code>PreTrainedModel</code> أو <a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Module" rel="nofollow"><code>torch.nn.Module</code></a>:',jl,se,Tl,le,Be,Ma="تحتوي <code>TrainingArguments</code> على فرط معلمات النموذج التي يمكنك تغييرها مثل معدل التعلم، وحجم الدفعة، وعدد العصور التي يجب التدريب عليها. يتم استخدام القيم الافتراضية إذا لم تحدد أي حجج تدريب:",wl,ae,Jl,ne,Ae,ha="قم بتحميل فئة معالجة مسبقة مثل برنامج الترميز، أو معالج الصور، أو مستخرج الميزات، أو المعالج:",Ul,re,_l,pe,Le,ya="قم بتحميل مجموعة بيانات:",kl,oe,Zl,S,Qe,ba="قم بإنشاء دالة لترميز مجموعة البيانات:",Cl,me,vl,qe,ja="ثم قم بتطبيقه على مجموعة البيانات بأكملها باستخدام <code>map</code>:",Rl,ie,Gl,ce,Se,Ta="<code>DataCollatorWithPadding</code> لإنشاء دفعة من الأمثلة من مجموعة البيانات الخاصة بك:",Wl,fe,al,de,wa="الآن قم بتجميع جميع هذه الفئات في <code>Trainer</code>:",nl,$e,rl,ue,Ja="عندما تكون مستعدًا، استدعِ <code>train()</code> لبدء التدريب:",pl,ge,ol,ot,ml,Me,Ua="يمكنك تخصيص سلوك حلقة التدريب عن طريق إنشاء فئة فرعية من الطرق داخل <code>Trainer</code>. يسمح لك ذلك بتخصيص ميزات مثل دالة الخسارة، والمحسن، والمجدول. راجع مرجع <code>Trainer</code> للتعرف على الطرق التي يمكن إنشاء فئات فرعية منها.",il,he,_a='والطريقة الأخرى لتخصيص حلقة التدريب هي باستخدام <a href="./main_classes/callback">المستدعيات</a>. يمكنك استخدام المستدعيات للتكامل مع المكتبات الأخرى ومراقبة حلقة التدريب للإبلاغ عن التقدم أو إيقاف التدريب مبكرًا. لا تعدل المستدعيات أي شيء في حلقة التدريب نفسها. لتخصيص شيء مثل دالة الخسارة، تحتاج إلى إنشاء فئة فرعية من <code>Trainer</code> بدلاً من ذلك.',cl,ye,fl,be,ka='جميع النماذج عبارة عن <a href="https://www.tensorflow.org/api_docs/python/tf/keras/Model" rel="nofollow"><code>tf.keras.Model</code></a> قياسية، لذا يمكن تدريبها في TensorFlow باستخدام واجهة برمجة تطبيقات Keras. يوفر 🤗 Transformers طريقة <code>prepare_tf_dataset()</code> لتحميل مجموعة البيانات الخاصة بك بسهولة كـ <code>tf.data.Dataset</code> حتى تتمكن من البدء في التدريب على الفور باستخدام دالتي <code>compile</code> و<code>fit</code> في Keras.',dl,Y,je,Pe,Za='ستبدأ بـ <code>TFPreTrainedModel</code> أو <a href="https://www.tensorflow.org/api_docs/python/tf/keras/Model" rel="nofollow"><code>tf.keras.Model</code></a>:',Vl,Te,Hl,we,De,Ca="قم بتحميل فئة معالجة مسبقة مثل برنامج الترميز، أو معالج الصور، أو مستخرج الميزات، أو المعالج:",Il,Je,Xl,Ue,Oe,va="قم بإنشاء دالة لترميز مجموعة البيانات:",Fl,_e,xl,ke,Ke,Ra="قم بتطبيق برنامج الترميز على مجموعة البيانات بأكملها باستخدام <code>map</code> ثم مرر مجموعة البيانات وبرنامج الترميز إلى <code>prepare_tf_dataset()</code>. يمكنك أيضًا تغيير حجم الدفعة وخلط مجموعة البيانات هنا إذا أردت:",Nl,Ze,El,Ce,ts,Ga="عندما تكون مستعدًا، يمكنك استدعاء <code>compile</code> و<code>fit</code> لبدء التدريب. لاحظ أن جميع نماذج Transformers لديها دالة خسارة ذات صلة بالمهمة بشكل افتراضي، لذا فأنت لست بحاجة إلى تحديد واحدة ما لم ترغب في ذلك:",zl,ve,$l,Re,ul,Ge,Wa="الآن بعد أن أكملت الجولة السريعة في 🤗 Transformers، راجع أدلتنا لمعرفة كيفية القيام بأشياء أكثر تحديدًا مثل كتابة نموذج مخصص، وضبط نموذج مسبق التدريب لمهمة معينة، وكيفية تدريب نموذج باستخدام نص برمجي. إذا كنت مهتمًا بمعرفة المزيد عن المفاهيم الأساسية لـ 🤗 Transformers، فاحصل على فنجان من القهوة واطلع على أدلة المفاهيم الخاصة بنا!",gl,We,Ml,ss,hl;return M=new q({props:{title:"جولة سريعة",local:"جولة-سريعة",headingTag:"h1"}}),k=new za({props:{classNames:"absolute z-10 right-0 top-0",options:[{label:"Mixed",value:"https://colab.research.google.com/github/huggingface/notebooks/blob/main/transformers_doc/ar/quicktour.ipynb"},{label:"PyTorch",value:"https://colab.research.google.com/github/huggingface/notebooks/blob/main/transformers_doc/ar/pytorch/quicktour.ipynb"},{label:"TensorFlow",value:"https://colab.research.google.com/github/huggingface/notebooks/blob/main/transformers_doc/ar/tensorflow/quicktour.ipynb"},{label:"Mixed",value:"https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/main/transformers_doc/ar/quicktour.ipynb"},{label:"PyTorch",value:"https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/main/transformers_doc/ar/pytorch/quicktour.ipynb"},{label:"TensorFlow",value:"https://studiolab.sagemaker.aws/import/github/huggingface/notebooks/blob/main/transformers_doc/ar/tensorflow/quicktour.ipynb"}]}}),X=new U({props:{code:"IXBpcCUyMGluc3RhbGwlMjB0cmFuc2Zvcm1lcnMlMjBkYXRhc2V0cyUyMGV2YWx1YXRlJTIwYWNjZWxlcmF0ZQ==",highlighted:"!pip install transformers datasets evaluate accelerate",wrap:!1}}),x=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[Qa],pytorch:[Aa]},$$scope:{ctx:T}}}),Q=new q({props:{title:"خط الأنابيب",local:"خط-الأنابيب",headingTag:"h2"}}),R=new Va({props:{id:"tiZFewofSLM"}}),O=new es({props:{$$slots:{default:[qa]},$$scope:{ctx:T}}}),ct=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMHBpcGVsaW5lJTBBJTBBY2xhc3NpZmllciUyMCUzRCUyMHBpcGVsaW5lKCUyMnNlbnRpbWVudC1hbmFseXNpcyUyMik=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

	<span class="hljs-meta">>>> </span>classifier = pipeline(<span class="hljs-string">"sentiment-analysis"</span>)`,wrap:!1}}),dt=new U({props:{code:"Y2xhc3NpZmllciglMjJXZSUyMGFyZSUyMHZlcnklMjBoYXBweSUyMHRvJTIwc2hvdyUyMHlvdSUyMHRoZSUyMCVGMCU5RiVBNCU5NyUyMFRyYW5zZm9ybWVycyUyMGxpYnJhcnkuJTIyKQ==",highlighted:`<span class="hljs-meta">>>> </span>classifier(<span class="hljs-string">"We are very happy to show you the 🤗 Transformers library."</span>)
	[{<span class="hljs-string">'label'</span>: <span class="hljs-string">'POSITIVE'</span>, <span class="hljs-string">'score'</span>: <span class="hljs-number">0.9998</span>}]`,wrap:!1}}),ut=new U({props:{code:"cmVzdWx0cyUyMCUzRCUyMGNsYXNzaWZpZXIoJTVCJTIyV2UlMjBhcmUlMjB2ZXJ5JTIwaGFwcHklMjB0byUyMHNob3clMjB5b3UlMjB0aGUlMjAlRjAlOUYlQTQlOTclMjBUcmFuc2Zvcm1lcnMlMjBsaWJyYXJ5LiUyMiUyQyUyMCUyMldlJTIwaG9wZSUyMHlvdSUyMGRvbid0JTIwaGF0ZSUyMGl0LiUyMiU1RCklMEFmb3IlMjByZXN1bHQlMjBpbiUyMHJlc3VsdHMlM0ElMEElMjAlMjAlMjAlMjBwcmludChmJTIybGFiZWwlM0ElMjAlN0JyZXN1bHQlNUInbGFiZWwnJTVEJTdEJTJDJTIwd2l0aCUyMHNjb3JlJTNBJTIwJTdCcm91bmQocmVzdWx0JTVCJ3Njb3JlJyU1RCUyQyUyMDQpJTdEJTIyKQ==",highlighted:`<span class="hljs-meta">>>> </span>results = classifier([<span class="hljs-string">"We are very happy to show you the 🤗 Transformers library."</span>, <span class="hljs-string">"We hope you don't hate it."</span>])
	<span class="hljs-meta">>>> </span><span class="hljs-keyword">for</span> result <span class="hljs-keyword">in</span> results:
	<span class="hljs-meta">... </span> <span class="hljs-built_in">print</span>(<span class="hljs-string">f"label: <span class="hljs-subst">{result[<span class="hljs-string">'label'</span>]}</span>, with score: <span class="hljs-subst">{<span class="hljs-built_in">round</span>(result[<span class="hljs-string">'score'</span>], <span class="hljs-number">4</span>)}</span>"</span>)
	label: POSITIVE, <span class="hljs-keyword">with</span> score: <span class="hljs-number">0.9998</span>
	label: NEGATIVE, <span class="hljs-keyword">with</span> score: <span class="hljs-number">0.5309</span>`,wrap:!1}}),Mt=new U({props:{code:"aW1wb3J0JTIwdG9yY2glMEFmcm9tJTIwdHJhbnNmb3JtZXJzJTIwaW1wb3J0JTIwcGlwZWxpbmUlMEElMEFzcGVlY2hfcmVjb2duaXplciUyMCUzRCUyMHBpcGVsaW5lKCUyMmF1dG9tYXRpYy1zcGVlY2gtcmVjb2duaXRpb24lMjIlMkMlMjBtb2RlbCUzRCUyMmZhY2Vib29rJTJGd2F2MnZlYzItYmFzZS05NjBoJTIyKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">import</span> torch
	<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> pipeline

	<span class="hljs-meta">>>> </span>speech_recognizer = pipeline(<span class="hljs-string">"automatic-speech-recognition"</span>, model=<span class="hljs-string">"facebook/wav2vec2-base-960h"</span>)`,wrap:!1}}),yt=new U({props:{code:"ZnJvbSUyMGRhdGFzZXRzJTIwaW1wb3J0JTIwbG9hZF9kYXRhc2V0JTJDJTIwQXVkaW8lMEElMEFkYXRhc2V0JTIwJTNEJTIwbG9hZF9kYXRhc2V0KCUyMlBvbHlBSSUyRm1pbmRzMTQlMjIlMkMlMjBuYW1lJTNEJTIyZW4tVVMlMjIlMkMlMjBzcGxpdCUzRCUyMnRyYWluJTIyKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> datasets <span class="hljs-keyword">import</span> load_dataset, Audio

	<span class="hljs-meta">>>> </span>dataset = load_dataset(<span class="hljs-string">"PolyAI/minds14"</span>, name=<span class="hljs-string">"en-US"</span>, split=<span class="hljs-string">"train"</span>)`,wrap:!1}}),jt=new U({props:{code:"ZGF0YXNldCUyMCUzRCUyMGRhdGFzZXQuY2FzdF9jb2x1bW4oJTIyYXVkaW8lMjIlMkMlMjBBdWRpbyhzYW1wbGluZ19yYXRlJTNEc3BlZWNoX3JlY29nbml6ZXIuZmVhdHVyZV9leHRyYWN0b3Iuc2FtcGxpbmdfcmF0ZSkp",highlighted:'<span class="hljs-meta">>>> </span>dataset = dataset.cast_column(<span class="hljs-string">"audio"</span>, Audio(sampling_rate=speech_recognizer.feature_extractor.sampling_rate))',wrap:!1}}),wt=new U({props:{code:"cmVzdWx0JTIwJTNEJTIwc3BlZWNoX3JlY29nbml6ZXIoZGF0YXNldCU1QiUzQTQlNUQlNUIlMjJhdWRpbyUyMiU1RCklMEFwcmludCglNUJkJTVCJTIydGV4dCUyMiU1RCUyMGZvciUyMGQlMjBpbiUyMHJlc3VsdCU1RCk=",highlighted:`<span class="hljs-meta">>>> </span>result = speech_recognizer(dataset[:<span class="hljs-number">4</span>][<span class="hljs-string">"audio"</span>])
	<span class="hljs-meta">>>> </span><span class="hljs-built_in">print</span>([d[<span class="hljs-string">"text"</span>] <span class="hljs-keyword">for</span> d <span class="hljs-keyword">in</span> result])
	[<span class="hljs-string">'I WOULD LIKE TO SET UP A JOINT ACCOUNT WITH MY PARTNER HOW DO I PROCEED WITH DOING THAT'</span>, <span class="hljs-string">"FONDERING HOW I'D SET UP A JOIN TO HELL T WITH MY WIFE AND WHERE THE AP MIGHT BE"</span>, <span class="hljs-string">"I I'D LIKE TOY SET UP A JOINT ACCOUNT WITH MY PARTNER I'M NOT SEEING THE OPTION TO DO IT ON THE APSO I CALLED IN TO GET SOME HELP CAN I JUST DO IT OVER THE PHONE WITH YOU AND GIVE YOU THE INFORMATION OR SHOULD I DO IT IN THE AP AN I'M MISSING SOMETHING UQUETTE HAD PREFERRED TO JUST DO IT OVER THE PHONE OF POSSIBLE THINGS"</span>, <span class="hljs-string">'HOW DO I FURN A JOINA COUT'</span>]`,wrap:!1}}),Ut=new q({props:{title:"ااستخدم نموذجًا ومجزئًا آخرين في خط الأنابيب",local:"ااستخدم-نموذجا-ومجزئا-آخرين-في-خط-الأنابيب",headingTag:"h3"}}),kt=new U({props:{code:"bW9kZWxfbmFtZSUyMCUzRCUyMCUyMm5scHRvd24lMkZiZXJ0LWJhc2UtbXVsdGlsaW5ndWFsLXVuY2FzZWQtc2VudGltZW50JTIy",highlighted:'<span class="hljs-meta">>>> </span>model_name = <span class="hljs-string">"nlptown/bert-base-multilingual-uncased-sentiment"</span>',wrap:!1}}),tt=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[Oa],pytorch:[Pa]},$$scope:{ctx:T}}}),Ct=new U({props:{code:"Y2xhc3NpZmllciUyMCUzRCUyMHBpcGVsaW5lKCUyMnNlbnRpbWVudC1hbmFseXNpcyUyMiUyQyUyMG1vZGVsJTNEbW9kZWwlMkMlMjB0b2tlbml6ZXIlM0R0b2tlbml6ZXIpJTBBY2xhc3NpZmllciglMjJOb3VzJTIwc29tbWVzJTIwdHIlQzMlQThzJTIwaGV1cmV1eCUyMGRlJTIwdm91cyUyMHByJUMzJUE5c2VudGVyJTIwbGElMjBiaWJsaW90aCVDMyVBOHF1ZSUyMCVGMCU5RiVBNCU5NyUyMFRyYW5zZm9ybWVycy4lMjIp",highlighted:`<span class="hljs-meta">>>> </span>classifier = pipeline(<span class="hljs-string">"sentiment-analysis"</span>, model=model, tokenizer=tokenizer)
	<span class="hljs-meta">>>> </span>classifier(<span class="hljs-string">"Nous sommes très heureux de vous présenter la bibliothèque 🤗 Transformers."</span>)
	[{<span class="hljs-string">'label'</span>: <span class="hljs-string">'5 stars'</span>, <span class="hljs-string">'score'</span>: <span class="hljs-number">0.7273</span>}]`,wrap:!1}}),Rt=new q({props:{title:"AutoClass",local:"autoclass",headingTag:"h2"}}),Gt=new Va({props:{id:"AhChOFRegn4"}}),Ht=new q({props:{title:"المجزئ التلقائي (AutoTokenizer)",local:"المجزئ-التلقائي-autotokenizer",headingTag:"h3"}}),Ft=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMEElMEFtb2RlbF9uYW1lJTIwJTNEJTIwJTIybmxwdG93biUyRmJlcnQtYmFzZS1tdWx0aWxpbmd1YWwtdW5jYXNlZC1zZW50aW1lbnQlMjIlMEF0b2tlbml6ZXIlMjAlM0QlMjBBdXRvVG9rZW5pemVyLmZyb21fcHJldHJhaW5lZChtb2RlbF9uYW1lKQ==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer

	<span class="hljs-meta">>>> </span>model_name = <span class="hljs-string">"nlptown/bert-base-multilingual-uncased-sentiment"</span>
	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(model_name)`,wrap:!1}}),Nt=new U({props:{code:"ZW5jb2RpbmclMjAlM0QlMjB0b2tlbml6ZXIoJTIyV2UlMjBhcmUlMjB2ZXJ5JTIwaGFwcHklMjB0byUyMHNob3clMjB5b3UlMjB0aGUlMjAlRjAlOUYlQTQlOTclMjBUcmFuc2Zvcm1lcnMlMjBsaWJyYXJ5LiUyMiklMEFwcmludChlbmNvZGluZyk=",highlighted:`<span class="hljs-meta">>>> </span>encoding = tokenizer(<span class="hljs-string">"We are very happy to show you the 🤗 Transformers library."</span>)
	<span class="hljs-meta">>>> </span><span class="hljs-built_in">print</span>(encoding)
	{<span class="hljs-string">'input_ids'</span>: [<span class="hljs-number">101</span>, <span class="hljs-number">11312</span>, <span class="hljs-number">10320</span>, <span class="hljs-number">12495</span>, <span class="hljs-number">19308</span>, <span class="hljs-number">10114</span>, <span class="hljs-number">11391</span>, <span class="hljs-number">10855</span>, <span class="hljs-number">10103</span>, <span class="hljs-number">100</span>, <span class="hljs-number">58263</span>, <span class="hljs-number">13299</span>, <span class="hljs-number">119</span>, <span class="hljs-number">102</span>],
	<span class="hljs-string">'token_type_ids'</span>: [<span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>, <span class="hljs-number">0</span>],
	<span class="hljs-string">'attention_mask'</span>: [<span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>, <span class="hljs-number">1</span>]}`,wrap:!1}}),et=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[sn],pytorch:[tn]},$$scope:{ctx:T}}}),st=new es({props:{$$slots:{default:[ln]},$$scope:{ctx:T}}}),Bt=new q({props:{title:"AutoModel",local:"automodel",headingTag:"h3"}}),lt=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[mn],pytorch:[rn]},$$scope:{ctx:T}}}),at=new es({props:{$$slots:{default:[cn]},$$scope:{ctx:T}}}),At=new q({props:{title:"حفظ النموذج",local:"حفظ-النموذج",headingTag:"h3"}}),nt=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[un],pytorch:[dn]},$$scope:{ctx:T}}}),rt=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[yn],pytorch:[Mn]},$$scope:{ctx:T}}}),Qt=new q({props:{title:"إنشاء نماذج مخصصة",local:"إنشاء-نماذج-مخصصة",headingTag:"h2"}}),Pt=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Db25maWclMEElMEFteV9jb25maWclMjAlM0QlMjBBdXRvQ29uZmlnLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIlMkMlMjBuX2hlYWRzJTNEMTIp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoConfig

	<span class="hljs-meta">>>> </span>my_config = AutoConfig.from_pretrained(<span class="hljs-string">"distilbert/distilbert-base-uncased"</span>, n_heads=<span class="hljs-number">12</span>)`,wrap:!1}}),pt=new ze({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[wn],pytorch:[jn]},$$scope:{ctx:T}}}),Ot=new q({props:{title:"المدرب - حلقة تدريب محسنة لـ PyTorch",local:"المدرب---حلقة-تدريب-محسنة-لـ-pytorch",headingTag:"h2"}}),se=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24lMEElMEFtb2RlbCUyMCUzRCUyMEF1dG9Nb2RlbEZvclNlcXVlbmNlQ2xhc3NpZmljYXRpb24uZnJvbV9wcmV0cmFpbmVkKCUyMmRpc3RpbGJlcnQlMkZkaXN0aWxiZXJ0LWJhc2UtdW5jYXNlZCUyMik=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model = AutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">"distilbert/distilbert-base-uncased"</span>)`,wrap:!1}}),ae=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRyYWluaW5nQXJndW1lbnRzJTBBJTBBdHJhaW5pbmdfYXJncyUyMCUzRCUyMFRyYWluaW5nQXJndW1lbnRzKCUwQSUyMCUyMCUyMCUyMG91dHB1dF9kaXIlM0QlMjJwYXRoJTJGdG8lMkZzYXZlJTJGZm9sZGVyJTJGJTIyJTJDJTBBJTIwJTIwJTIwJTIwbGVhcm5pbmdfcmF0ZSUzRDJlLTUlMkMlMEElMjAlMjAlMjAlMjBwZXJfZGV2aWNlX3RyYWluX2JhdGNoX3NpemUlM0Q4JTJDJTBBJTIwJTIwJTIwJTIwcGVyX2RldmljZV9ldmFsX2JhdGNoX3NpemUlM0Q4JTJDJTBBJTIwJTIwJTIwJTIwbnVtX3RyYWluX2Vwb2NocyUzRDIlMkMlMEEp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TrainingArguments

	<span class="hljs-meta">>>> </span>training_args = TrainingArguments(
	<span class="hljs-meta">... </span> output_dir=<span class="hljs-string">"path/to/save/folder/"</span>,
	<span class="hljs-meta">... </span> learning_rate=<span class="hljs-number">2e-5</span>,
	<span class="hljs-meta">... </span> per_device_train_batch_size=<span class="hljs-number">8</span>,
	<span class="hljs-meta">... </span> per_device_eval_batch_size=<span class="hljs-number">8</span>,
	<span class="hljs-meta">... </span> num_train_epochs=<span class="hljs-number">2</span>,
	<span class="hljs-meta">... </span>)`,wrap:!1}}),re=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMEElMEF0b2tlbml6ZXIlMjAlM0QlMjBBdXRvVG9rZW5pemVyLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer

	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(<span class="hljs-string">"distilbert/distilbert-base-uncased"</span>)`,wrap:!1}}),oe=new U({props:{code:"ZnJvbSUyMGRhdGFzZXRzJTIwaW1wb3J0JTIwbG9hZF9kYXRhc2V0JTBBJTBBZGF0YXNldCUyMCUzRCUyMGxvYWRfZGF0YXNldCglMjJyb3R0ZW5fdG9tYXRvZXMlMjIpJTIwJTIwJTIzJTIwZG9jdGVzdCUzQSUyMCUyQklHTk9SRV9SRVNVTFQ=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> datasets <span class="hljs-keyword">import</span> load_dataset

	<span class="hljs-meta">>>> </span>dataset = load_dataset(<span class="hljs-string">"rotten_tomatoes"</span>) <span class="hljs-comment"># doctest: +IGNORE_RESULT</span>`,wrap:!1}}),me=new U({props:{code:"ZGVmJTIwdG9rZW5pemVfZGF0YXNldChkYXRhc2V0KSUzQSUwQSUyMCUyMCUyMCUyMHJldHVybiUyMHRva2VuaXplcihkYXRhc2V0JTVCJTIydGV4dCUyMiU1RCk=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">def</span> <span class="hljs-title function_">tokenize_dataset</span>(<span class="hljs-params">dataset</span>):
	<span class="hljs-meta">... </span> <span class="hljs-keyword">return</span> tokenizer(dataset[<span class="hljs-string">"text"</span>])`,wrap:!1}}),ie=new U({props:{code:"ZGF0YXNldCUyMCUzRCUyMGRhdGFzZXQubWFwKHRva2VuaXplX2RhdGFzZXQlMkMlMjBiYXRjaGVkJTNEVHJ1ZSk=",highlighted:'<span class="hljs-meta">>>> </span>dataset = dataset.<span class="hljs-built_in">map</span>(tokenize_dataset, batched=<span class="hljs-literal">True</span>)',wrap:!1}}),fe=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMERhdGFDb2xsYXRvcldpdGhQYWRkaW5nJTBBJTBBZGF0YV9jb2xsYXRvciUyMCUzRCUyMERhdGFDb2xsYXRvcldpdGhQYWRkaW5nKHRva2VuaXplciUzRHRva2VuaXplcik=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> DataCollatorWithPadding

	<span class="hljs-meta">>>> </span>data_collator = DataCollatorWithPadding(tokenizer=tokenizer)`,wrap:!1}}),$e=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRyYWluZXIlMEElMEF0cmFpbmVyJTIwJTNEJTIwVHJhaW5lciglMEElMjAlMjAlMjAlMjBtb2RlbCUzRG1vZGVsJTJDJTBBJTIwJTIwJTIwJTIwYXJncyUzRHRyYWluaW5nX2FyZ3MlMkMlMEElMjAlMjAlMjAlMjB0cmFpbl9kYXRhc2V0JTNEZGF0YXNldCU1QiUyMnRyYWluJTIyJTVEJTJDJTBBJTIwJTIwJTIwJTIwZXZhbF9kYXRhc2V0JTNEZGF0YXNldCU1QiUyMnRlc3QlMjIlNUQlMkMlMEElMjAlMjAlMjAlMjB0b2tlbml6ZXIlM0R0b2tlbml6ZXIlMkMlMEElMjAlMjAlMjAlMjBkYXRhX2NvbGxhdG9yJTNEZGF0YV9jb2xsYXRvciUyQyUwQSklMjAlMjAlMjMlMjBkb2N0ZXN0JTNBJTIwJTJCU0tJUA==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> Trainer

	<span class="hljs-meta">>>> </span>trainer = Trainer(
	<span class="hljs-meta">... </span> model=model,
	<span class="hljs-meta">... </span> args=training_args,
	<span class="hljs-meta">... </span> train_dataset=dataset[<span class="hljs-string">"train"</span>],
	<span class="hljs-meta">... </span> eval_dataset=dataset[<span class="hljs-string">"test"</span>],
	<span class="hljs-meta">... </span> tokenizer=tokenizer,
	<span class="hljs-meta">... </span> data_collator=data_collator,
	<span class="hljs-meta">... </span>) <span class="hljs-comment"># doctest: +SKIP</span>`,wrap:!1}}),ge=new U({props:{code:"dHJhaW5lci50cmFpbigp",highlighted:'<span class="hljs-meta">>>> </span>trainer.train()',wrap:!1}}),ot=new es({props:{$$slots:{default:[Jn]},$$scope:{ctx:T}}}),ye=new q({props:{title:"التدريب باستخدام TensorFlow",local:"التدريب-باستخدام-tensorflow",headingTag:"h2"}}),Te=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMFRGQXV0b01vZGVsRm9yU2VxdWVuY2VDbGFzc2lmaWNhdGlvbiUwQSUwQW1vZGVsJTIwJTNEJTIwVEZBdXRvTW9kZWxGb3JTZXF1ZW5jZUNsYXNzaWZpY2F0aW9uLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> TFAutoModelForSequenceClassification

	<span class="hljs-meta">>>> </span>model = TFAutoModelForSequenceClassification.from_pretrained(<span class="hljs-string">"distilbert/distilbert-base-uncased"</span>)`,wrap:!1}}),Je=new U({props:{code:"ZnJvbSUyMHRyYW5zZm9ybWVycyUyMGltcG9ydCUyMEF1dG9Ub2tlbml6ZXIlMEElMEF0b2tlbml6ZXIlMjAlM0QlMjBBdXRvVG9rZW5pemVyLmZyb21fcHJldHJhaW5lZCglMjJkaXN0aWxiZXJ0JTJGZGlzdGlsYmVydC1iYXNlLXVuY2FzZWQlMjIp",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> transformers <span class="hljs-keyword">import</span> AutoTokenizer

	<span class="hljs-meta">>>> </span>tokenizer = AutoTokenizer.from_pretrained(<span class="hljs-string">"distilbert/distilbert-base-uncased"</span>)`,wrap:!1}}),_e=new U({props:{code:"ZGVmJTIwdG9rZW5pemVfZGF0YXNldChkYXRhc2V0KSUzQSUwQSUyMCUyMCUyMCUyMHJldHVybiUyMHRva2VuaXplcihkYXRhc2V0JTVCJTIydGV4dCUyMiU1RCklMjAlMjAlMjMlMjBkb2N0ZXN0JTNBJTIwJTJCU0tJUA==",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">def</span> <span class="hljs-title function_">tokenize_dataset</span>(<span class="hljs-params">dataset</span>):
	<span class="hljs-meta">... </span> <span class="hljs-keyword">return</span> tokenizer(dataset[<span class="hljs-string">"text"</span>]) <span class="hljs-comment"># doctest: +SKIP</span>`,wrap:!1}}),Ze=new U({props:{code:"ZGF0YXNldCUyMCUzRCUyMGRhdGFzZXQubWFwKHRva2VuaXplX2RhdGFzZXQpJTIwJTIwJTIzJTIwZG9jdGVzdCUzQSUyMCUyQlNLSVAlMEF0Zl9kYXRhc2V0JTIwJTNEJTIwbW9kZWwucHJlcGFyZV90Zl9kYXRhc2V0KCUwQSUyMCUyMCUyMCUyMGRhdGFzZXQlNUIlMjJ0cmFpbiUyMiU1RCUyQyUyMGJhdGNoX3NpemUlM0QxNiUyQyUyMHNodWZmbGUlM0RUcnVlJTJDJTIwdG9rZW5pemVyJTNEdG9rZW5pemVyJTBBKSUyMCUyMCUyMyUyMGRvY3Rlc3QlM0ElMjAlMkJTS0lQ",highlighted:`<span class="hljs-meta">>>> </span>dataset = dataset.<span class="hljs-built_in">map</span>(tokenize_dataset) <span class="hljs-comment"># doctest: +SKIP</span>
	<span class="hljs-meta">>>> </span>tf_dataset = model.prepare_tf_dataset(
	<span class="hljs-meta">... </span> dataset[<span class="hljs-string">"train"</span>], batch_size=<span class="hljs-number">16</span>, shuffle=<span class="hljs-literal">True</span>, tokenizer=tokenizer
	<span class="hljs-meta">... </span>) <span class="hljs-comment"># doctest: +SKIP</span>`,wrap:!1}}),ve=new U({props:{code:"ZnJvbSUyMHRlbnNvcmZsb3cua2VyYXMub3B0aW1pemVycyUyMGltcG9ydCUyMEFkYW0lMEElMEFtb2RlbC5jb21waWxlKG9wdGltaXplciUzRCdhZGFtJyklMjAlMjAlMjMlMjAlRDklODQlRDglQTclMjAlRDglQUElRDklODglRDglQUMlRDglQUYlMjAlRDklODglRDglQjMlRDklOEElRDglQjclRDglQTklMjAlRDglQUYlRDglQTclRDklODQlRDglQTklMjAlRDglQTclRDklODQlRDglQUUlRDglQjMlRDglQTclRDglQjElRDglQTkhJTBBbW9kZWwuZml0KHRmX2RhdGFzZXQpJTIwJTIwJTIzJTIwZG9jdGVzdCUzQSUyMCUyQlNLSVA=",highlighted:`<span class="hljs-meta">>>> </span><span class="hljs-keyword">from</span> tensorflow.keras.optimizers <span class="hljs-keyword">import</span> Adam

	<span class="hljs-meta">>>> </span>model.<span class="hljs-built_in">compile</span>(optimizer=<span class="hljs-string">'adam'</span>) <span class="hljs-comment"># لا توجد وسيطة دالة الخسارة!</span>
	<span class="hljs-meta">>>> </span>model.fit(tf_dataset) <span class="hljs-comment"># doctest: +SKIP</span>`,wrap:!1}}),Re=new q({props:{title:"ماذا بعد؟",local:"ماذا-بعد",headingTag:"h2"}}),We=new Ya({props:{source:"https://github.com/huggingface/transformers/blob/main/docs/source/ar/quicktour.md"}}),{c(){s=h("meta"),p=o(),e=h("p"),r=o(),c(M.$$.fragment),i=o(),c(k.$$.fragment),C=o(),v=h("p"),v.innerHTML=W,b=o(),Z=h("p"),Z.textContent=H,D=o(),c(X.$$.fragment),V=o(),F=h("p"),F.textContent=J,G=o(),c(x.$$.fragment),L=o(),c(Q.$$.fragment),w=o(),c(R.$$.fragment),mt=o(),it=h("p"),it.innerHTML=Bl,ls=o(),c(O.$$.fragment),as=o(),K=h("div"),K.innerHTML=Al,ns=xa(`
	ابدأ بإنشاء مثيل من \`pipeline()\` وتحديد المهمة التي تريد استخدامه لها. في هذا الدليل، ستستخدم خط الأنابيب للتحليل النصي كنموذج:

	`),c(ct.$$.fragment),rs=o(),ft=h("p"),ft.innerHTML=Ll,ps=o(),c(dt.$$.fragment),os=o(),$t=h("p"),$t.innerHTML=Ql,ms=o(),c(ut.$$.fragment),is=o(),gt=h("p"),gt.textContent=ql,cs=o(),c(Mt.$$.fragment),fs=o(),ht=h("p"),ht.innerHTML=Sl,ds=o(),c(yt.$$.fragment),$s=o(),bt=h("p"),bt.innerHTML=Pl,us=o(),c(jt.$$.fragment),gs=o(),Tt=h("p"),Tt.textContent=Dl,Ms=o(),c(wt.$$.fragment),hs=o(),Jt=h("p"),Jt.innerHTML=Ol,ys=o(),c(Ut.$$.fragment),bs=o(),_t=h("p"),_t.innerHTML=Kl,js=o(),c(kt.$$.fragment),Ts=o(),c(tt.$$.fragment),ws=o(),Zt=h("p"),Zt.innerHTML=ta,Js=o(),c(Ct.$$.fragment),Us=o(),vt=h("p"),vt.innerHTML=ea,_s=o(),c(Rt.$$.fragment),ks=o(),c(Gt.$$.fragment),Zs=o(),Wt=h("p"),Wt.innerHTML=sa,Cs=o(),Vt=h("p"),Vt.innerHTML=la,vs=o(),c(Ht.$$.fragment),Rs=o(),It=h("p"),It.innerHTML=aa,Gs=o(),Xt=h("p"),Xt.innerHTML=na,Ws=o(),c(Ft.$$.fragment),Vs=o(),xt=h("p"),xt.textContent=ra,Hs=o(),c(Nt.$$.fragment),Is=o(),Et=h("p"),Et.textContent=pa,Xs=o(),zt=h("ul"),zt.innerHTML=oa,Fs=o(),Yt=h("p"),Yt.textContent=ma,xs=o(),c(et.$$.fragment),Ns=o(),c(st.$$.fragment),Es=o(),c(Bt.$$.fragment),zs=o(),c(lt.$$.fragment),Ys=o(),c(at.$$.fragment),Bs=o(),c(At.$$.fragment),As=o(),c(nt.$$.fragment),Ls=o(),Lt=h("p"),Lt.innerHTML=ia,Qs=o(),c(rt.$$.fragment),qs=o(),c(Qt.$$.fragment),Ss=o(),qt=h("p"),qt.textContent=ca,Ps=o(),St=h("p"),St.innerHTML=fa,Ds=o(),c(Pt.$$.fragment),Os=o(),c(pt.$$.fragment),Ks=o(),Dt=h("p"),Dt.innerHTML=da,tl=o(),c(Ot.$$.fragment),el=o(),Kt=h("p"),Kt.innerHTML=$a,sl=o(),te=h("p"),te.innerHTML=ua,ll=o(),N=h("ol"),ee=h("li"),Ye=h("p"),Ye.innerHTML=ga,jl=o(),c(se.$$.fragment),Tl=o(),le=h("li"),Be=h("p"),Be.innerHTML=Ma,wl=o(),c(ae.$$.fragment),Jl=o(),ne=h("li"),Ae=h("p"),Ae.textContent=ha,Ul=o(),c(re.$$.fragment),_l=o(),pe=h("li"),Le=h("p"),Le.textContent=ya,kl=o(),c(oe.$$.fragment),Zl=o(),S=h("li"),Qe=h("p"),Qe.textContent=ba,Cl=o(),c(me.$$.fragment),vl=o(),qe=h("p"),qe.innerHTML=ja,Rl=o(),c(ie.$$.fragment),Gl=o(),ce=h("li"),Se=h("p"),Se.innerHTML=Ta,Wl=o(),c(fe.$$.fragment),al=o(),de=h("p"),de.innerHTML=wa,nl=o(),c($e.$$.fragment),rl=o(),ue=h("p"),ue.innerHTML=Ja,pl=o(),c(ge.$$.fragment),ol=o(),c(ot.$$.fragment),ml=o(),Me=h("p"),Me.innerHTML=Ua,il=o(),he=h("p"),he.innerHTML=_a,cl=o(),c(ye.$$.fragment),fl=o(),be=h("p"),be.innerHTML=ka,dl=o(),Y=h("ol"),je=h("li"),Pe=h("p"),Pe.innerHTML=Za,Vl=o(),c(Te.$$.fragment),Hl=o(),we=h("li"),De=h("p"),De.textContent=Ca,Il=o(),c(Je.$$.fragment),Xl=o(),Ue=h("li"),Oe=h("p"),Oe.textContent=va,Fl=o(),c(_e.$$.fragment),xl=o(),ke=h("li"),Ke=h("p"),Ke.innerHTML=Ra,Nl=o(),c(Ze.$$.fragment),El=o(),Ce=h("li"),ts=h("p"),ts.innerHTML=Ga,zl=o(),c(ve.$$.fragment),$l=o(),c(Re.$$.fragment),ul=o(),Ge=h("p"),Ge.textContent=Wa,gl=o(),c(We.$$.fragment),Ml=o(),ss=h("p"),this.h()},l(t){const l=Na("svelte-u9bgzb",document.head);s=y(l,"META",{name:!0,content:!0}),l.forEach(a),p=m(t),e=y(t,"P",{}),z(e).forEach(a),r=m(t),f(M.$$.fragment,t),i=m(t),f(k.$$.fragment,t),C=m(t),v=y(t,"P",{"data-svelte-h":!0}),j(v)!=="svelte-1fovm52"&&(v.innerHTML=W),b=m(t),Z=y(t,"P",{"data-svelte-h":!0}),j(Z)!=="svelte-1vj7g14"&&(Z.textContent=H),D=m(t),f(X.$$.fragment,t),V=m(t),F=y(t,"P",{"data-svelte-h":!0}),j(F)!=="svelte-196e8d4"&&(F.textContent=J),G=m(t),f(x.$$.fragment,t),L=m(t),f(Q.$$.fragment,t),w=m(t),f(R.$$.fragment,t),mt=m(t),it=y(t,"P",{"data-svelte-h":!0}),j(it)!=="svelte-u2y2s2"&&(it.innerHTML=Bl),ls=m(t),f(O.$$.fragment,t),as=m(t),K=y(t,"DIV",{dir:!0,"data-svelte-h":!0}),j(K)!=="svelte-1pkfq8f"&&(K.innerHTML=Al),ns=Ea(t,`
	ابدأ بإنشاء مثيل من \`pipeline()\` وتحديد المهمة التي تريد استخدامه لها. في هذا الدليل، ستستخدم خط الأنابيب للتحليل النصي كنموذج:

	`),f(ct.$$.fragment,t),rs=m(t),ft=y(t,"P",{"data-svelte-h":!0}),j(ft)!=="svelte-1h2pl7"&&(ft.innerHTML=Ll),ps=m(t),f(dt.$$.fragment,t),os=m(t),$t=y(t,"P",{"data-svelte-h":!0}),j($t)!=="svelte-sasv1k"&&($t.innerHTML=Ql),ms=m(t),f(ut.$$.fragment,t),is=m(t),gt=y(t,"P",{"data-svelte-h":!0}),j(gt)!=="svelte-71eqfm"&&(gt.textContent=ql),cs=m(t),f(Mt.$$.fragment,t),fs=m(t),ht=y(t,"P",{"data-svelte-h":!0}),j(ht)!=="svelte-4ss8x4"&&(ht.innerHTML=Sl),ds=m(t),f(yt.$$.fragment,t),$s=m(t),bt=y(t,"P",{"data-svelte-h":!0}),j(bt)!=="svelte-6bx594"&&(bt.innerHTML=Pl),us=m(t),f(jt.$$.fragment,t),gs=m(t),Tt=y(t,"P",{"data-svelte-h":!0}),j(Tt)!=="svelte-1bezqgc"&&(Tt.textContent=Dl),Ms=m(t),f(wt.$$.fragment,t),hs=m(t),Jt=y(t,"P",{"data-svelte-h":!0}),j(Jt)!=="svelte-1odmhzt"&&(Jt.innerHTML=Ol),ys=m(t),f(Ut.$$.fragment,t),bs=m(t),_t=y(t,"P",{"data-svelte-h":!0}),j(_t)!=="svelte-imxdw"&&(_t.innerHTML=Kl),js=m(t),f(kt.$$.fragment,t),Ts=m(t),f(tt.$$.fragment,t),ws=m(t),Zt=y(t,"P",{"data-svelte-h":!0}),j(Zt)!=="svelte-qlmdp7"&&(Zt.innerHTML=ta),Js=m(t),f(Ct.$$.fragment,t),Us=m(t),vt=y(t,"P",{"data-svelte-h":!0}),j(vt)!=="svelte-kom5q1"&&(vt.innerHTML=ea),_s=m(t),f(Rt.$$.fragment,t),ks=m(t),f(Gt.$$.fragment,t),Zs=m(t),Wt=y(t,"P",{"data-svelte-h":!0}),j(Wt)!=="svelte-1xhd8qe"&&(Wt.innerHTML=sa),Cs=m(t),Vt=y(t,"P",{"data-svelte-h":!0}),j(Vt)!=="svelte-1m1mcoa"&&(Vt.innerHTML=la),vs=m(t),f(Ht.$$.fragment,t),Rs=m(t),It=y(t,"P",{"data-svelte-h":!0}),j(It)!=="svelte-8wip2e"&&(It.innerHTML=aa),Gs=m(t),Xt=y(t,"P",{"data-svelte-h":!0}),j(Xt)!=="svelte-2k638b"&&(Xt.innerHTML=na),Ws=m(t),f(Ft.$$.fragment,t),Vs=m(t),xt=y(t,"P",{"data-svelte-h":!0}),j(xt)!=="svelte-1yys3gf"&&(xt.textContent=ra),Hs=m(t),f(Nt.$$.fragment,t),Is=m(t),Et=y(t,"P",{"data-svelte-h":!0}),j(Et)!=="svelte-16arlf8"&&(Et.textContent=pa),Xs=m(t),zt=y(t,"UL",{"data-svelte-h":!0}),j(zt)!=="svelte-9u7ysq"&&(zt.innerHTML=oa),Fs=m(t),Yt=y(t,"P",{"data-svelte-h":!0}),j(Yt)!=="svelte-1vges73"&&(Yt.textContent=ma),xs=m(t),f(et.$$.fragment,t),Ns=m(t),f(st.$$.fragment,t),Es=m(t),f(Bt.$$.fragment,t),zs=m(t),f(lt.$$.fragment,t),Ys=m(t),f(at.$$.fragment,t),Bs=m(t),f(At.$$.fragment,t),As=m(t),f(nt.$$.fragment,t),Ls=m(t),Lt=y(t,"P",{"data-svelte-h":!0}),j(Lt)!=="svelte-1hjw7cq"&&(Lt.innerHTML=ia),Qs=m(t),f(rt.$$.fragment,t),qs=m(t),f(Qt.$$.fragment,t),Ss=m(t),qt=y(t,"P",{"data-svelte-h":!0}),j(qt)!=="svelte-xt47id"&&(qt.textContent=ca),Ps=m(t),St=y(t,"P",{"data-svelte-h":!0}),j(St)!=="svelte-1y7qhzs"&&(St.innerHTML=fa),Ds=m(t),f(Pt.$$.fragment,t),Os=m(t),f(pt.$$.fragment,t),Ks=m(t),Dt=y(t,"P",{"data-svelte-h":!0}),j(Dt)!=="svelte-t81m19"&&(Dt.innerHTML=da),tl=m(t),f(Ot.$$.fragment,t),el=m(t),Kt=y(t,"P",{"data-svelte-h":!0}),j(Kt)!=="svelte-py5lql"&&(Kt.innerHTML=$a),sl=m(t),te=y(t,"P",{"data-svelte-h":!0}),j(te)!=="svelte-afj0fl"&&(te.innerHTML=ua),ll=m(t),N=y(t,"OL",{});var E=z(N);ee=y(E,"LI",{});var Ve=z(ee);Ye=y(Ve,"P",{"data-svelte-h":!0}),j(Ye)!=="svelte-dttyh9"&&(Ye.innerHTML=ga),jl=m(Ve),f(se.$$.fragment,Ve),Ve.forEach(a),Tl=m(E),le=y(E,"LI",{});var He=z(le);Be=y(He,"P",{"data-svelte-h":!0}),j(Be)!=="svelte-fe1kev"&&(Be.innerHTML=Ma),wl=m(He),f(ae.$$.fragment,He),He.forEach(a),Jl=m(E),ne=y(E,"LI",{});var Ie=z(ne);Ae=y(Ie,"P",{"data-svelte-h":!0}),j(Ae)!=="svelte-1b9rzib"&&(Ae.textContent=ha),Ul=m(Ie),f(re.$$.fragment,Ie),Ie.forEach(a),_l=m(E),pe=y(E,"LI",{});var Xe=z(pe);Le=y(Xe,"P",{"data-svelte-h":!0}),j(Le)!=="svelte-1has96f"&&(Le.textContent=ya),kl=m(Xe),f(oe.$$.fragment,Xe),Xe.forEach(a),Zl=m(E),S=y(E,"LI",{});var P=z(S);Qe=y(P,"P",{"data-svelte-h":!0}),j(Qe)!=="svelte-19yx8aw"&&(Qe.textContent=ba),Cl=m(P),f(me.$$.fragment,P),vl=m(P),qe=y(P,"P",{"data-svelte-h":!0}),j(qe)!=="svelte-tq8n1j"&&(qe.innerHTML=ja),Rl=m(P),f(ie.$$.fragment,P),P.forEach(a),Gl=m(E),ce=y(E,"LI",{});var Fe=z(ce);Se=y(Fe,"P",{"data-svelte-h":!0}),j(Se)!=="svelte-pe3xou"&&(Se.innerHTML=Ta),Wl=m(Fe),f(fe.$$.fragment,Fe),Fe.forEach(a),E.forEach(a),al=m(t),de=y(t,"P",{"data-svelte-h":!0}),j(de)!=="svelte-awpze4"&&(de.innerHTML=wa),nl=m(t),f($e.$$.fragment,t),rl=m(t),ue=y(t,"P",{"data-svelte-h":!0}),j(ue)!=="svelte-14bkz32"&&(ue.innerHTML=Ja),pl=m(t),f(ge.$$.fragment,t),ol=m(t),f(ot.$$.fragment,t),ml=m(t),Me=y(t,"P",{"data-svelte-h":!0}),j(Me)!=="svelte-1tipm2v"&&(Me.innerHTML=Ua),il=m(t),he=y(t,"P",{"data-svelte-h":!0}),j(he)!=="svelte-17tmn3c"&&(he.innerHTML=_a),cl=m(t),f(ye.$$.fragment,t),fl=m(t),be=y(t,"P",{"data-svelte-h":!0}),j(be)!=="svelte-15ax3sy"&&(be.innerHTML=ka),dl=m(t),Y=y(t,"OL",{});var A=z(Y);je=y(A,"LI",{});var xe=z(je);Pe=y(xe,"P",{"data-svelte-h":!0}),j(Pe)!=="svelte-znuc4m"&&(Pe.innerHTML=Za),Vl=m(xe),f(Te.$$.fragment,xe),xe.forEach(a),Hl=m(A),we=y(A,"LI",{});var Ne=z(we);De=y(Ne,"P",{"data-svelte-h":!0}),j(De)!=="svelte-1b9rzib"&&(De.textContent=Ca),Il=m(Ne),f(Je.$$.fragment,Ne),Ne.forEach(a),Xl=m(A),Ue=y(A,"LI",{});var Ee=z(Ue);Oe=y(Ee,"P",{"data-svelte-h":!0}),j(Oe)!=="svelte-19yx8aw"&&(Oe.textContent=va),Fl=m(Ee),f(_e.$$.fragment,Ee),Ee.forEach(a),xl=m(A),ke=y(A,"LI",{});var yl=z(ke);Ke=y(yl,"P",{"data-svelte-h":!0}),j(Ke)!=="svelte-jus4hu"&&(Ke.innerHTML=Ra),Nl=m(yl),f(Ze.$$.fragment,yl),yl.forEach(a),El=m(A),Ce=y(A,"LI",{});var bl=z(Ce);ts=y(bl,"P",{"data-svelte-h":!0}),j(ts)!=="svelte-l3mft7"&&(ts.innerHTML=Ga),zl=m(bl),f(ve.$$.fragment,bl),bl.forEach(a),A.forEach(a),$l=m(t),f(Re.$$.fragment,t),ul=m(t),Ge=y(t,"P",{"data-svelte-h":!0}),j(Ge)!=="svelte-1fjsjvs"&&(Ge.textContent=Wa),gl=m(t),f(We.$$.fragment,t),Ml=m(t),ss=y(t,"P",{}),z(ss).forEach(a),this.h()},h(){Yl(s,"name","hf:doc:metadata"),Yl(s,"content",_n),Yl(K,"dir","rtl")},m(t,l){_(document.head,s),n(t,p,l),n(t,e,l),n(t,r,l),d(M,t,l),n(t,i,l),d(k,t,l),n(t,C,l),n(t,v,l),n(t,b,l),n(t,Z,l),n(t,D,l),d(X,t,l),n(t,V,l),n(t,F,l),n(t,G,l),d(x,t,l),n(t,L,l),d(Q,t,l),n(t,w,l),d(R,t,l),n(t,mt,l),n(t,it,l),n(t,ls,l),d(O,t,l),n(t,as,l),n(t,K,l),n(t,ns,l),d(ct,t,l),n(t,rs,l),n(t,ft,l),n(t,ps,l),d(dt,t,l),n(t,os,l),n(t,$t,l),n(t,ms,l),d(ut,t,l),n(t,is,l),n(t,gt,l),n(t,cs,l),d(Mt,t,l),n(t,fs,l),n(t,ht,l),n(t,ds,l),d(yt,t,l),n(t,$s,l),n(t,bt,l),n(t,us,l),d(jt,t,l),n(t,gs,l),n(t,Tt,l),n(t,Ms,l),d(wt,t,l),n(t,hs,l),n(t,Jt,l),n(t,ys,l),d(Ut,t,l),n(t,bs,l),n(t,_t,l),n(t,js,l),d(kt,t,l),n(t,Ts,l),d(tt,t,l),n(t,ws,l),n(t,Zt,l),n(t,Js,l),d(Ct,t,l),n(t,Us,l),n(t,vt,l),n(t,_s,l),d(Rt,t,l),n(t,ks,l),d(Gt,t,l),n(t,Zs,l),n(t,Wt,l),n(t,Cs,l),n(t,Vt,l),n(t,vs,l),d(Ht,t,l),n(t,Rs,l),n(t,It,l),n(t,Gs,l),n(t,Xt,l),n(t,Ws,l),d(Ft,t,l),n(t,Vs,l),n(t,xt,l),n(t,Hs,l),d(Nt,t,l),n(t,Is,l),n(t,Et,l),n(t,Xs,l),n(t,zt,l),n(t,Fs,l),n(t,Yt,l),n(t,xs,l),d(et,t,l),n(t,Ns,l),d(st,t,l),n(t,Es,l),d(Bt,t,l),n(t,zs,l),d(lt,t,l),n(t,Ys,l),d(at,t,l),n(t,Bs,l),d(At,t,l),n(t,As,l),d(nt,t,l),n(t,Ls,l),n(t,Lt,l),n(t,Qs,l),d(rt,t,l),n(t,qs,l),d(Qt,t,l),n(t,Ss,l),n(t,qt,l),n(t,Ps,l),n(t,St,l),n(t,Ds,l),d(Pt,t,l),n(t,Os,l),d(pt,t,l),n(t,Ks,l),n(t,Dt,l),n(t,tl,l),d(Ot,t,l),n(t,el,l),n(t,Kt,l),n(t,sl,l),n(t,te,l),n(t,ll,l),n(t,N,l),_(N,ee),_(ee,Ye),_(ee,jl),d(se,ee,null),_(N,Tl),_(N,le),_(le,Be),_(le,wl),d(ae,le,null),_(N,Jl),_(N,ne),_(ne,Ae),_(ne,Ul),d(re,ne,null),_(N,_l),_(N,pe),_(pe,Le),_(pe,kl),d(oe,pe,null),_(N,Zl),_(N,S),_(S,Qe),_(S,Cl),d(me,S,null),_(S,vl),_(S,qe),_(S,Rl),d(ie,S,null),_(N,Gl),_(N,ce),_(ce,Se),_(ce,Wl),d(fe,ce,null),n(t,al,l),n(t,de,l),n(t,nl,l),d($e,t,l),n(t,rl,l),n(t,ue,l),n(t,pl,l),d(ge,t,l),n(t,ol,l),d(ot,t,l),n(t,ml,l),n(t,Me,l),n(t,il,l),n(t,he,l),n(t,cl,l),d(ye,t,l),n(t,fl,l),n(t,be,l),n(t,dl,l),n(t,Y,l),_(Y,je),_(je,Pe),_(je,Vl),d(Te,je,null),_(Y,Hl),_(Y,we),_(we,De),_(we,Il),d(Je,we,null),_(Y,Xl),_(Y,Ue),_(Ue,Oe),_(Ue,Fl),d(_e,Ue,null),_(Y,xl),_(Y,ke),_(ke,Ke),_(ke,Nl),d(Ze,ke,null),_(Y,El),_(Y,Ce),_(Ce,ts),_(Ce,zl),d(ve,Ce,null),n(t,$l,l),d(Re,t,l),n(t,ul,l),n(t,Ge,l),n(t,gl,l),d(We,t,l),n(t,Ml,l),n(t,ss,l),hl=!0},p(t,[l]){const E={};l&2&&(E.$$scope={dirty:l,ctx:t}),x.$set(E);const Ve={};l&2&&(Ve.$$scope={dirty:l,ctx:t}),O.$set(Ve);const He={};l&2&&(He.$$scope={dirty:l,ctx:t}),tt.$set(He);const Ie={};l&2&&(Ie.$$scope={dirty:l,ctx:t}),et.$set(Ie);const Xe={};l&2&&(Xe.$$scope={dirty:l,ctx:t}),st.$set(Xe);const P={};l&2&&(P.$$scope={dirty:l,ctx:t}),lt.$set(P);const Fe={};l&2&&(Fe.$$scope={dirty:l,ctx:t}),at.$set(Fe);const A={};l&2&&(A.$$scope={dirty:l,ctx:t}),nt.$set(A);const xe={};l&2&&(xe.$$scope={dirty:l,ctx:t}),rt.$set(xe);const Ne={};l&2&&(Ne.$$scope={dirty:l,ctx:t}),pt.$set(Ne);const Ee={};l&2&&(Ee.$$scope={dirty:l,ctx:t}),ot.$set(Ee)},i(t){hl\|\|($(M.$$.fragment,t),$(k.$$.fragment,t),$(X.$$.fragment,t),$(x.$$.fragment,t),$(Q.$$.fragment,t),$(R.$$.fragment,t),$(O.$$.fragment,t),$(ct.$$.fragment,t),$(dt.$$.fragment,t),$(ut.$$.fragment,t),$(Mt.$$.fragment,t),$(yt.$$.fragment,t),$(jt.$$.fragment,t),$(wt.$$.fragment,t),$(Ut.$$.fragment,t),$(kt.$$.fragment,t),$(tt.$$.fragment,t),$(Ct.$$.fragment,t),$(Rt.$$.fragment,t),$(Gt.$$.fragment,t),$(Ht.$$.fragment,t),$(Ft.$$.fragment,t),$(Nt.$$.fragment,t),$(et.$$.fragment,t),$(st.$$.fragment,t),$(Bt.$$.fragment,t),$(lt.$$.fragment,t),$(at.$$.fragment,t),$(At.$$.fragment,t),$(nt.$$.fragment,t),$(rt.$$.fragment,t),$(Qt.$$.fragment,t),$(Pt.$$.fragment,t),$(pt.$$.fragment,t),$(Ot.$$.fragment,t),$(se.$$.fragment,t),$(ae.$$.fragment,t),$(re.$$.fragment,t),$(oe.$$.fragment,t),$(me.$$.fragment,t),$(ie.$$.fragment,t),$(fe.$$.fragment,t),$($e.$$.fragment,t),$(ge.$$.fragment,t),$(ot.$$.fragment,t),$(ye.$$.fragment,t),$(Te.$$.fragment,t),$(Je.$$.fragment,t),$(_e.$$.fragment,t),$(Ze.$$.fragment,t),$(ve.$$.fragment,t),$(Re.$$.fragment,t),$(We.$$.fragment,t),hl=!0)},o(t){u(M.$$.fragment,t),u(k.$$.fragment,t),u(X.$$.fragment,t),u(x.$$.fragment,t),u(Q.$$.fragment,t),u(R.$$.fragment,t),u(O.$$.fragment,t),u(ct.$$.fragment,t),u(dt.$$.fragment,t),u(ut.$$.fragment,t),u(Mt.$$.fragment,t),u(yt.$$.fragment,t),u(jt.$$.fragment,t),u(wt.$$.fragment,t),u(Ut.$$.fragment,t),u(kt.$$.fragment,t),u(tt.$$.fragment,t),u(Ct.$$.fragment,t),u(Rt.$$.fragment,t),u(Gt.$$.fragment,t),u(Ht.$$.fragment,t),u(Ft.$$.fragment,t),u(Nt.$$.fragment,t),u(et.$$.fragment,t),u(st.$$.fragment,t),u(Bt.$$.fragment,t),u(lt.$$.fragment,t),u(at.$$.fragment,t),u(At.$$.fragment,t),u(nt.$$.fragment,t),u(rt.$$.fragment,t),u(Qt.$$.fragment,t),u(Pt.$$.fragment,t),u(pt.$$.fragment,t),u(Ot.$$.fragment,t),u(se.$$.fragment,t),u(ae.$$.fragment,t),u(re.$$.fragment,t),u(oe.$$.fragment,t),u(me.$$.fragment,t),u(ie.$$.fragment,t),u(fe.$$.fragment,t),u($e.$$.fragment,t),u(ge.$$.fragment,t),u(ot.$$.fragment,t),u(ye.$$.fragment,t),u(Te.$$.fragment,t),u(Je.$$.fragment,t),u(_e.$$.fragment,t),u(Ze.$$.fragment,t),u(ve.$$.fragment,t),u(Re.$$.fragment,t),u(We.$$.fragment,t),hl=!1},d(t){t&&(a(p),a(e),a(r),a(i),a(C),a(v),a(b),a(Z),a(D),a(V),a(F),a(G),a(L),a(w),a(mt),a(it),a(ls),a(as),a(K),a(ns),a(rs),a(ft),a(ps),a(os),a($t),a(ms),a(is),a(gt),a(cs),a(fs),a(ht),a(ds),a($s),a(bt),a(us),a(gs),a(Tt),a(Ms),a(hs),a(Jt),a(ys),a(bs),a(_t),a(js),a(Ts),a(ws),a(Zt),a(Js),a(Us),a(vt),a(_s),a(ks),a(Zs),a(Wt),a(Cs),a(Vt),a(vs),a(Rs),a(It),a(Gs),a(Xt),a(Ws),a(Vs),a(xt),a(Hs),a(Is),a(Et),a(Xs),a(zt),a(Fs),a(Yt),a(xs),a(Ns),a(Es),a(zs),a(Ys),a(Bs),a(As),a(Ls),a(Lt),a(Qs),a(qs),a(Ss),a(qt),a(Ps),a(St),a(Ds),a(Os),a(Ks),a(Dt),a(tl),a(el),a(Kt),a(sl),a(te),a(ll),a(N),a(al),a(de),a(nl),a(rl),a(ue),a(pl),a(ol),a(ml),a(Me),a(il),a(he),a(cl),a(fl),a(be),a(dl),a(Y),a($l),a(ul),a(Ge),a(gl),a(Ml),a(ss)),a(s),g(M,t),g(k,t),g(X,t),g(x,t),g(Q,t),g(R,t),g(O,t),g(ct,t),g(dt,t),g(ut,t),g(Mt,t),g(yt,t),g(jt,t),g(wt,t),g(Ut,t),g(kt,t),g(tt,t),g(Ct,t),g(Rt,t),g(Gt,t),g(Ht,t),g(Ft,t),g(Nt,t),g(et,t),g(st,t),g(Bt,t),g(lt,t),g(at,t),g(At,t),g(nt,t),g(rt,t),g(Qt,t),g(Pt,t),g(pt,t),g(Ot,t),g(se),g(ae),g(re),g(oe),g(me),g(ie),g(fe),g($e,t),g(ge,t),g(ot,t),g(ye,t),g(Te),g(Je),g(_e),g(Ze),g(ve),g(Re,t),g(We,t)}}}const _n='{"title":"جولة سريعة","local":"جولة-سريعة","sections":[{"title":"خط الأنابيب","local":"خط-الأنابيب","sections":[{"title":"ااستخدم نموذجًا ومجزئًا آخرين في خط الأنابيب","local":"ااستخدم-نموذجا-ومجزئا-آخرين-في-خط-الأنابيب","sections":[],"depth":3}],"depth":2},{"title":"AutoClass","local":"autoclass","sections":[{"title":"المجزئ التلقائي (AutoTokenizer)","local":"المجزئ-التلقائي-autotokenizer","sections":[],"depth":3},{"title":"AutoModel","local":"automodel","sections":[],"depth":3}],"depth":2}],"depth":1}';function kn(T){return Ia(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class In extends Xa{constructor(s){super(),Fa(this,s,kn,Un,Ha,{})}}export{In as component};

Xet Storage Details

Size:: 86.5 kB
Xet hash:: c3af93eba2efd87637cf7e8ca60814405d35d3c98513d8bdc17e3d7c0dcd7282

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