transformers/pr_36049/es/_app/immutable/nodes/29.2a96b5fe.js

import{s as hl,o as Ul,n as Gt}from"../chunks/scheduler.36a0863c.js";import{S as gl,i as jl,g as p,s,r as M,A as _l,h as c,f as l,c as i,j as zt,u as f,x as h,k as Jl,y as Nt,a,v as w,d as y,t as J,w as T}from"../chunks/index.f891bdb2.js";import{C as g}from"../chunks/CodeBlock.3ec784ea.js";import{F as Tl,M as Lt}from"../chunks/Markdown.7b58822e.js";import{H as _,E as bl}from"../chunks/EditOnGithub.a58e27a9.js";function $l(j){let n,d='El script de ejemplo descarga y preprocesa un conjunto de datos de la biblioteca 🤗 <a href="https://huggingface.co/docs/datasets/" rel="nofollow">Datasets</a>. Luego, el script ajusta un conjunto de datos con <a href="https://huggingface.co/docs/transformers/main_classes/trainer" rel="nofollow">Trainer</a> en una arquitectura que soporta la tarea de resumen. El siguiente ejemplo muestra cómo ajustar un <a href="https://huggingface.co/google-t5/t5-small" rel="nofollow">T5-small</a> en el conjunto de datos <a href="https://huggingface.co/datasets/cnn_dailymail" rel="nofollow">CNN/DailyMail</a>. El modelo T5 requiere un argumento adicional <code>source_prefix</code> debido a cómo fue entrenado. Este aviso le permite a T5 saber que se trata de una tarea de resumir.',r,m,u;return m=new g({props:{code:"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",highlighted:`python examples/pytorch/summarization/run_summarization.py \\
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --predict_with_generate`,wrap:!1}}),{c(){n=p("p"),n.innerHTML=d,r=s(),M(m.$$.fragment)},l(o){n=c(o,"P",{"data-svelte-h":!0}),h(n)!=="svelte-ig5tl8"&&(n.innerHTML=d),r=i(o),f(m.$$.fragment,o)},m(o,U){a(o,n,U),a(o,r,U),w(m,o,U),u=!0},p:Gt,i(o){u||(y(m.$$.fragment,o),u=!0)},o(o){J(m.$$.fragment,o),u=!1},d(o){o&&(l(n),l(r)),T(m,o)}}}function Cl(j){let n,d;return n=new Lt({props:{$$slots:{default:[$l]},$$scope:{ctx:j}}}),{c(){M(n.$$.fragment)},l(r){f(n.$$.fragment,r)},m(r,m){w(n,r,m),d=!0},p(r,m){const u={};m&2&&(u.$$scope={dirty:m,ctx:r}),n.$set(u)},i(r){d||(y(n.$$.fragment,r),d=!0)},o(r){J(n.$$.fragment,r),d=!1},d(r){T(n,r)}}}function Xl(j){let n,d='El script de ejemplo descarga y preprocesa un conjunto de datos de la biblioteca 🤗 <a href="https://huggingface.co/docs/datasets/" rel="nofollow">Datasets</a>. Luego, el script ajusta un conjunto de datos utilizando Keras en una arquitectura que soporta la tarea de resumir. El siguiente ejemplo muestra cómo ajustar un <a href="https://huggingface.co/google-t5/t5-small" rel="nofollow">T5-small</a> en el conjunto de datos <a href="https://huggingface.co/datasets/cnn_dailymail" rel="nofollow">CNN/DailyMail</a>. El modelo T5 requiere un argumento adicional <code>source_prefix</code> debido a cómo fue entrenado. Este aviso le permite a T5 saber que se trata de una tarea de resumir.',r,m,u;return m=new g({props:{code:"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",highlighted:`python examples/tensorflow/summarization/run_summarization.py  \\
    --model_name_or_path google-t5/t5-small \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --output_dir /tmp/tst-summarization  \\
    --per_device_train_batch_size 8 \\
    --per_device_eval_batch_size 16 \\
    --num_train_epochs 3 \\
    --do_train \\
    --do_eval`,wrap:!1}}),{c(){n=p("p"),n.innerHTML=d,r=s(),M(m.$$.fragment)},l(o){n=c(o,"P",{"data-svelte-h":!0}),h(n)!=="svelte-njgvsa"&&(n.innerHTML=d),r=i(o),f(m.$$.fragment,o)},m(o,U){a(o,n,U),a(o,r,U),w(m,o,U),u=!0},p:Gt,i(o){u||(y(m.$$.fragment,o),u=!0)},o(o){J(m.$$.fragment,o),u=!1},d(o){o&&(l(n),l(r)),T(m,o)}}}function vl(j){let n,d;return n=new Lt({props:{$$slots:{default:[Xl]},$$scope:{ctx:j}}}),{c(){M(n.$$.fragment)},l(r){f(n.$$.fragment,r)},m(r,m){w(n,r,m),d=!0},p(r,m){const u={};m&2&&(u.$$scope={dirty:m,ctx:r}),n.$set(u)},i(r){d||(y(n.$$.fragment,r),d=!0)},o(r){J(n.$$.fragment,r),d=!1},d(r){T(n,r)}}}function Al(j){let n,d='Las Unidades de Procesamiento de Tensor (TPUs) están diseñadas específicamente para acelerar el rendimiento. PyTorch admite TPU con el compilador de aprendizaje profundo <a href="https://www.tensorflow.org/xla" rel="nofollow">XLA</a> (consulta <a href="https://github.com/pytorch/xla/blob/master/README.md" rel="nofollow">aquí</a> para obtener más detalles). Para usar una TPU, inicia el script <code>xla_spawn.py</code> y usa el argumento <code>num_cores</code> para establecer la cantidad de núcleos de TPU que deseas usar.',r,m,u;return m=new g({props:{code:"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",highlighted:`python xla_spawn.py --num_cores 8 \\
    summarization/run_summarization.py \\
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --predict_with_generate`,wrap:!1}}),{c(){n=p("p"),n.innerHTML=d,r=s(),M(m.$$.fragment)},l(o){n=c(o,"P",{"data-svelte-h":!0}),h(n)!=="svelte-1xabxpp"&&(n.innerHTML=d),r=i(o),f(m.$$.fragment,o)},m(o,U){a(o,n,U),a(o,r,U),w(m,o,U),u=!0},p:Gt,i(o){u||(y(m.$$.fragment,o),u=!0)},o(o){J(m.$$.fragment,o),u=!1},d(o){o&&(l(n),l(r)),T(m,o)}}}function Il(j){let n,d;return n=new Lt({props:{$$slots:{default:[Al]},$$scope:{ctx:j}}}),{c(){M(n.$$.fragment)},l(r){f(n.$$.fragment,r)},m(r,m){w(n,r,m),d=!0},p(r,m){const u={};m&2&&(u.$$scope={dirty:m,ctx:r}),n.$set(u)},i(r){d||(y(n.$$.fragment,r),d=!0)},o(r){J(n.$$.fragment,r),d=!1},d(r){T(n,r)}}}function Wl(j){let n,d='Las Unidades de Procesamiento de Tensor (TPUs) están diseñadas específicamente para acelerar el rendimiento. TensorFlow utiliza <a href="https://www.tensorflow.org/guide/distributed_training#tpustrategy" rel="nofollow"><code>TPUStrategy</code></a> para entrenar en TPUs. Para usar una TPU, pasa el nombre del recurso de la TPU al argumento <code>tpu</code>',r,m,u;return m=new g({props:{code:"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",highlighted:`python run_summarization.py  \\
    --tpu name_of_tpu_resource \\
    --model_name_or_path google-t5/t5-small \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --output_dir /tmp/tst-summarization  \\
    --per_device_train_batch_size 8 \\
    --per_device_eval_batch_size 16 \\
    --num_train_epochs 3 \\
    --do_train \\
    --do_eval`,wrap:!1}}),{c(){n=p("p"),n.innerHTML=d,r=s(),M(m.$$.fragment)},l(o){n=c(o,"P",{"data-svelte-h":!0}),h(n)!=="svelte-na5wyx"&&(n.innerHTML=d),r=i(o),f(m.$$.fragment,o)},m(o,U){a(o,n,U),a(o,r,U),w(m,o,U),u=!0},p:Gt,i(o){u||(y(m.$$.fragment,o),u=!0)},o(o){J(m.$$.fragment,o),u=!1},d(o){o&&(l(n),l(r)),T(m,o)}}}function Zl(j){let n,d;return n=new Lt({props:{$$slots:{default:[Wl]},$$scope:{ctx:j}}}),{c(){M(n.$$.fragment)},l(r){f(n.$$.fragment,r)},m(r,m){w(n,r,m),d=!0},p(r,m){const u={};m&2&&(u.$$scope={dirty:m,ctx:r}),n.$set(u)},i(r){d||(y(n.$$.fragment,r),d=!0)},o(r){J(n.$$.fragment,r),d=!1},d(r){T(n,r)}}}function xl(j){let n,d,r,m,u,o,U,Vt='Junto con los <a href="./notebooks">notebooks</a> de 🤗 Transformers, también hay scripts con ejemplos que muestran cómo entrenar un modelo para una tarea en <a href="https://github.com/huggingface/transformers/tree/main/examples/pytorch" rel="nofollow">PyTorch</a>, <a href="https://github.com/huggingface/transformers/tree/main/examples/tensorflow" rel="nofollow">TensorFlow</a>, o <a href="https://github.com/huggingface/transformers/tree/main/examples/flax" rel="nofollow">JAX/Flax</a>.',Ie,X,Bt='También encontrarás scripts que hemos usado en nuestros <a href="https://github.com/huggingface/transformers/tree/main/examples/research_projects" rel="nofollow">proyectos de investigación</a> y <a href="https://github.com/huggingface/transformers/tree/main/examples/legacy" rel="nofollow">ejemplos pasados</a> que en su mayoría son aportados por la comunidad. Estos scripts no se mantienen activamente y requieren una versión específica de 🤗 Transformers que probablemente sea incompatible con la última versión de la biblioteca.',We,v,Ft="No se espera que los scripts de ejemplo funcionen de inmediato en todos los problemas, y es posible que debas adaptar el script al problema que estás tratando de resolver. Para ayudarte con esto, la mayoría de los scripts exponen completamente cómo se preprocesan los datos, lo que te permite editarlos según sea necesario para tu caso de uso.",Ze,A,Yt='Para cualquier característica que te gustaría implementar en un script de ejemplo, por favor discútelo en el <a href="https://discuss.huggingface.co/" rel="nofollow">foro</a> o con un <a href="https://github.com/huggingface/transformers/issues" rel="nofollow">issue</a> antes de enviar un Pull Request. Si bien agradecemos las correcciones de errores, es poco probable que fusionemos un Pull Request que agregue más funcionalidad a costa de la legibilidad.',xe,I,Et='Esta guía te mostrará cómo ejecutar un ejemplo de un script de entrenamiento para resumir texto en <a href="https://github.com/huggingface/transformers/tree/main/examples/pytorch/summarization" rel="nofollow">PyTorch</a> y <a href="https://github.com/huggingface/transformers/tree/main/examples/tensorflow/summarization" rel="nofollow">TensorFlow</a>. Se espera que todos los ejemplos funcionen con ambos frameworks a menos que se especifique lo contrario.',Ge,W,Le,Z,St="Para ejecutar con éxito la última versión de los scripts de ejemplo debes <strong>instalar 🤗 Transformers desde su fuente</strong> en un nuevo entorno virtual:",Re,x,ze,G,Ht="Para versiones anteriores de los scripts de ejemplo, haz clic en alguno de los siguientes links:",Ne,L,kt='<summary>Ejemplos de versiones anteriores de 🤗 Transformers</summary> <ul><li><a href="https://github.com/huggingface/transformers/tree/v4.5.1/examples">v4.5.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v4.4.2/examples">v4.4.2</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v4.3.3/examples">v4.3.3</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v4.2.2/examples">v4.2.2</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v4.1.1/examples">v4.1.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v4.0.1/examples">v4.0.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.5.1/examples">v3.5.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.4.0/examples">v3.4.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.3.1/examples">v3.3.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.2.0/examples">v3.2.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.1.0/examples">v3.1.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v3.0.2/examples">v3.0.2</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.11.0/examples">v2.11.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.10.0/examples">v2.10.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.9.1/examples">v2.9.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.8.0/examples">v2.8.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.7.0/examples">v2.7.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.6.0/examples">v2.6.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.5.1/examples">v2.5.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.4.0/examples">v2.4.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.3.0/examples">v2.3.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.2.0/examples">v2.2.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.1.0/examples">v2.1.1</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v2.0.0/examples">v2.0.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v1.2.0/examples">v1.2.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v1.1.0/examples">v1.1.0</a></li> <li><a href="https://github.com/huggingface/transformers/tree/v1.0.0/examples">v1.0.0</a></li></ul>',Ve,R,Qt="Luego cambia tu clon actual de 🤗 Transformers a una versión específica, por ejemplo v3.5.1:",Be,z,Fe,N,qt="Una vez que hayas configurado la versión correcta de la biblioteca, ve a la carpeta de ejemplo de tu elección e instala los requisitos específicos del ejemplo:",Ye,V,Ee,B,Se,b,He,F,ke,Y,Pt='<a href="https://huggingface.co/docs/transformers/main_classes/trainer" rel="nofollow">Trainer</a> admite un entrenamiento distribuido y de precisión mixta, lo que significa que también puedes usarlo en un script. Para habilitar ambas características:',Qe,E,Dt="<li>Agrega el argumento <code>fp16</code> para habilitar la precisión mixta.</li> <li>Establece la cantidad de GPU que se usará con el argumento <code>nproc_per_node</code>.</li>",qe,S,Pe,H,Ot='Los scripts de TensorFlow utilizan <a href="https://www.tensorflow.org/guide/distributed_training#mirroredstrategy" rel="nofollow"><code>MirroredStrategy</code></a> para el entrenamiento distribuido, y no es necesario agregar argumentos adicionales al script de entrenamiento. El script de TensorFlow utilizará múltiples GPUs de forma predeterminada si están disponibles.',De,k,Oe,$,Ke,Q,et,q,Kt='🤗 <a href="https://huggingface.co/docs/accelerate" rel="nofollow">Accelerate</a> es una biblioteca exclusiva de PyTorch que ofrece un método unificado para entrenar un modelo en varios tipos de configuraciones (solo CPU, GPU múltiples, TPU) mientras mantiene una visibilidad completa en el ciclo de entrenamiento de PyTorch. Asegúrate de tener 🤗 Accelerate instalado si aún no lo tienes:',tt,C,ve,el="Nota: Como Accelerate se está desarrollando rápidamente, debes instalar la versión git de Accelerate para ejecutar los scripts",Rt,P,lt,D,tl="En lugar del script <code>run_summarization.py</code>, debes usar el script <code>run_summarization_no_trainer.py</code>. Los scripts compatibles con 🤗 Accelerate tendrán un archivo <code>task_no_trainer.py</code> en la carpeta. Comienza ejecutando el siguiente comando para crear y guardar un archivo de configuración:",at,O,nt,K,ll="Prueba tu configuración para asegurarte que está configurada correctamente:",rt,ee,st,te,al="Todo listo para iniciar el entrenamiento:",it,le,ot,ae,mt,ne,nl="El script de la tarea resumir admite conjuntos de datos personalizados siempre que sean un archivo CSV o JSON Line. Cuando uses tu propio conjunto de datos, necesitas especificar varios argumentos adicionales:",ut,re,rl="<li><code>train_file</code> y <code>validation_file</code> especifican la ruta a tus archivos de entrenamiento y validación.</li> <li><code>text_column</code> es el texto de entrada para resumir.</li> <li><code>summary_column</code> es el texto de destino para la salida.</li>",pt,se,sl="Un script para resumir que utiliza un conjunto de datos personalizado se vera así:",ct,ie,dt,oe,Mt,me,il="A veces, es una buena idea ejecutar tu secuencia de comandos en una cantidad menor de ejemplos para asegurarte de que todo funciona como se espera antes de comprometerte con un conjunto de datos completo, lo que puede demorar horas en completarse. Utiliza los siguientes argumentos para truncar el conjunto de datos a un número máximo de muestras:",ft,ue,ol="<li><code>max_train_samples</code></li> <li><code>max_eval_samples</code></li> <li><code>max_predict_samples</code></li>",wt,pe,yt,ce,ml="No todos los scripts de ejemplo admiten el argumento <code>max_predict_samples</code>. Puede que desconozcas si la secuencia de comandos admite este argumento, agrega <code>-h</code> para verificar:",Jt,de,Tt,Me,ht,fe,ul="Otra opción útil para habilitar es reanudar el entrenamiento desde un punto de control anterior. Esto asegurará que puedas continuar donde lo dejaste sin comenzar de nuevo si tu entrenamiento se interrumpe. Hay dos métodos para reanudar el entrenamiento desde un punto de control.",Ut,we,pl="El primer método utiliza el argumento <code>output_dir previous_output_dir</code> para reanudar el entrenamiento desde el último punto de control almacenado en <code>output_dir</code>. En este caso, debes eliminar <code>overwrite_output_dir</code>:",gt,ye,jt,Je,cl="El segundo método utiliza el argumento <code>resume_from_checkpoint path_to_specific_checkpoint</code> para reanudar el entrenamiento desde una carpeta de punto de control específica.",_t,Te,bt,he,$t,Ue,dl='Todos los scripts pueden cargar tu modelo final en el <a href="https://huggingface.co/models" rel="nofollow">Model Hub</a>. Asegúrate de haber iniciado sesión en Hugging Face antes de comenzar:',Ct,ge,Xt,je,Ml="Luego agrega el argumento <code>push_to_hub</code> al script. Este argumento creará un repositorio con tu nombre de usuario Hugging Face y el nombre de la carpeta especificado en <code>output_dir</code>.",vt,_e,fl="Para darle a tu repositorio un nombre específico, usa el argumento <code>push_to_hub_model_id</code> para añadirlo. El repositorio se incluirá automáticamente en tu namespace.",At,be,wl="El siguiente ejemplo muestra cómo cargar un modelo con un nombre de repositorio específico:",It,$e,Wt,Ce,Zt,Ae,xt;return u=new _({props:{title:"Entrenamiento con scripts",local:"entrenamiento-con-scripts",headingTag:"h1"}}),W=new _({props:{title:"Configuración",local:"configuración",headingTag:"h2"}}),x=new g({props:{code:"Z2l0JTIwY2xvbmUlMjBodHRwcyUzQSUyRiUyRmdpdGh1Yi5jb20lMkZodWdnaW5nZmFjZSUyRnRyYW5zZm9ybWVycyUwQWNkJTIwdHJhbnNmb3JtZXJzJTBBcGlwJTIwaW5zdGFsbCUyMC4=",highlighted:`git <span class="hljs-built_in">clone</span> https://github.com/huggingface/transformers
<span class="hljs-built_in">cd</span> transformers
pip install .`,wrap:!1}}),z=new g({props:{code:"Z2l0JTIwY2hlY2tvdXQlMjB0YWdzJTJGdjMuNS4x",highlighted:"git checkout tags/v3.5.1",wrap:!1}}),V=new g({props:{code:"cGlwJTIwaW5zdGFsbCUyMC1yJTIwcmVxdWlyZW1lbnRzLnR4dA==",highlighted:"pip install -r requirements.txt",wrap:!1}}),B=new _({props:{title:"Ejecutar un script",local:"ejecutar-un-script",headingTag:"h2"}}),b=new Tl({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[vl],pytorch:[Cl]},$$scope:{ctx:j}}}),F=new _({props:{title:"Entrenamiento distribuido y de precisión mixta",local:"entrenamiento-distribuido-y-de-precisión-mixta",headingTag:"h2"}}),S=new g({props:{code:"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",highlighted:`torchrun \\
    --nproc_per_node 8 pytorch/summarization/run_summarization.py \\
    --fp16 \\
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --predict_with_generate`,wrap:!1}}),k=new _({props:{title:"Ejecutar un script en una TPU",local:"ejecutar-un-script-en-una-tpu",headingTag:"h2"}}),$=new Tl({props:{pytorch:!0,tensorflow:!0,jax:!1,$$slots:{tensorflow:[Zl],pytorch:[Il]},$$scope:{ctx:j}}}),Q=new _({props:{title:"Ejecutar un script con 🤗 Accelerate",local:"ejecutar-un-script-con--accelerate",headingTag:"h2"}}),P=new g({props:{code:"cGlwJTIwaW5zdGFsbCUyMGdpdCUyQmh0dHBzJTNBJTJGJTJGZ2l0aHViLmNvbSUyRmh1Z2dpbmdmYWNlJTJGYWNjZWxlcmF0ZQ==",highlighted:"pip install git+https://github.com/huggingface/accelerate",wrap:!1}}),O=new g({props:{code:"YWNjZWxlcmF0ZSUyMGNvbmZpZw==",highlighted:"accelerate config",wrap:!1}}),ee=new g({props:{code:"YWNjZWxlcmF0ZSUyMHRlc3Q=",highlighted:'accelerate <span class="hljs-built_in">test</span>',wrap:!1}}),le=new g({props:{code:"YWNjZWxlcmF0ZSUyMGxhdW5jaCUyMHJ1bl9zdW1tYXJpemF0aW9uX25vX3RyYWluZXIucHklMjAlNUMlMEElMjAlMjAlMjAlMjAtLW1vZGVsX25hbWVfb3JfcGF0aCUyMGdvb2dsZS10NSUyRnQ1LXNtYWxsJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1kYXRhc2V0X25hbWUlMjBjbm5fZGFpbHltYWlsJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1kYXRhc2V0X2NvbmZpZyUyMCUyMjMuMC4wJTIyJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1zb3VyY2VfcHJlZml4JTIwJTIyc3VtbWFyaXplJTNBJTIwJTIyJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1vdXRwdXRfZGlyJTIwfiUyRnRtcCUyRnRzdC1zdW1tYXJpemF0aW9u",highlighted:`accelerate launch run_summarization_no_trainer.py \\
    --model_name_or_path google-t5/t5-small \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir ~/tmp/tst-summarization`,wrap:!1}}),ae=new _({props:{title:"Usar un conjunto de datos personalizado",local:"usar-un-conjunto-de-datos-personalizado",headingTag:"h2"}}),ie=new g({props:{code:"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",highlighted:`python examples/pytorch/summarization/run_summarization.py \\
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --train_file path_to_csv_or_jsonlines_file \\
    --validation_file path_to_csv_or_jsonlines_file \\
    --text_column text_column_name \\
    --summary_column summary_column_name \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --overwrite_output_dir \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --predict_with_generate`,wrap:!1}}),oe=new _({props:{title:"Prueba un script",local:"prueba-un-script",headingTag:"h2"}}),pe=new g({props:{code:"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",highlighted:`python examples/pytorch/summarization/run_summarization.py \\
    --model_name_or_path google-t5/t5-small \\
    --max_train_samples 50 \\
    --max_eval_samples 50 \\
    --max_predict_samples 50 \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --predict_with_generate`,wrap:!1}}),de=new g({props:{code:"ZXhhbXBsZXMlMkZweXRvcmNoJTJGc3VtbWFyaXphdGlvbiUyRnJ1bl9zdW1tYXJpemF0aW9uLnB5JTIwLWg=",highlighted:"examples/pytorch/summarization/run_summarization.py -h",wrap:!1}}),Me=new _({props:{title:"Reanudar el entrenamiento desde el punto de control",local:"reanudar-el-entrenamiento-desde-el-punto-de-control",headingTag:"h2"}}),ye=new g({props:{code:"cHl0aG9uJTIwZXhhbXBsZXMlMkZweXRvcmNoJTJGc3VtbWFyaXphdGlvbiUyRnJ1bl9zdW1tYXJpemF0aW9uLnB5JTBBJTIwJTIwJTIwJTIwLS1tb2RlbF9uYW1lX29yX3BhdGglMjBnb29nbGUtdDUlMkZ0NS1zbWFsbCUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tZG9fdHJhaW4lMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRvX2V2YWwlMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRhdGFzZXRfbmFtZSUyMGNubl9kYWlseW1haWwlMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRhdGFzZXRfY29uZmlnJTIwJTIyMy4wLjAlMjIlMjAlNUMlMEElMjAlMjAlMjAlMjAtLXNvdXJjZV9wcmVmaXglMjAlMjJzdW1tYXJpemUlM0ElMjAlMjIlMjAlNUMlMEElMjAlMjAlMjAlMjAtLW91dHB1dF9kaXIlMjAlMkZ0bXAlMkZ0c3Qtc3VtbWFyaXphdGlvbiUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tcGVyX2RldmljZV90cmFpbl9iYXRjaF9zaXplJTNENCUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tcGVyX2RldmljZV9ldmFsX2JhdGNoX3NpemUlM0Q0JTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1vdXRwdXRfZGlyJTIwcHJldmlvdXNfb3V0cHV0X2RpciUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tcHJlZGljdF93aXRoX2dlbmVyYXRl",highlighted:`python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --output_dir previous_output_dir \\
    --predict_with_generate`,wrap:!1}}),Te=new g({props:{code:"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",highlighted:`python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --resume_from_checkpoint path_to_specific_checkpoint \\
    --predict_with_generate`,wrap:!1}}),he=new _({props:{title:"Comparte tu modelo",local:"comparte-tu-modelo",headingTag:"h2"}}),ge=new g({props:{code:"aHVnZ2luZ2ZhY2UtY2xpJTIwbG9naW4=",highlighted:"huggingface-cli login",wrap:!1}}),$e=new g({props:{code:"cHl0aG9uJTIwZXhhbXBsZXMlMkZweXRvcmNoJTJGc3VtbWFyaXphdGlvbiUyRnJ1bl9zdW1tYXJpemF0aW9uLnB5JTBBJTIwJTIwJTIwJTIwLS1tb2RlbF9uYW1lX29yX3BhdGglMjBnb29nbGUtdDUlMkZ0NS1zbWFsbCUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tZG9fdHJhaW4lMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRvX2V2YWwlMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRhdGFzZXRfbmFtZSUyMGNubl9kYWlseW1haWwlMjAlNUMlMEElMjAlMjAlMjAlMjAtLWRhdGFzZXRfY29uZmlnJTIwJTIyMy4wLjAlMjIlMjAlNUMlMEElMjAlMjAlMjAlMjAtLXNvdXJjZV9wcmVmaXglMjAlMjJzdW1tYXJpemUlM0ElMjAlMjIlMjAlNUMlMEElMjAlMjAlMjAlMjAtLXB1c2hfdG9faHViJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1wdXNoX3RvX2h1Yl9tb2RlbF9pZCUyMGZpbmV0dW5lZC10NS1jbm5fZGFpbHltYWlsJTIwJTVDJTBBJTIwJTIwJTIwJTIwLS1vdXRwdXRfZGlyJTIwJTJGdG1wJTJGdHN0LXN1bW1hcml6YXRpb24lMjAlNUMlMEElMjAlMjAlMjAlMjAtLXBlcl9kZXZpY2VfdHJhaW5fYmF0Y2hfc2l6ZSUzRDQlMjAlNUMlMEElMjAlMjAlMjAlMjAtLXBlcl9kZXZpY2VfZXZhbF9iYXRjaF9zaXplJTNENCUyMCU1QyUwQSUyMCUyMCUyMCUyMC0tb3ZlcndyaXRlX291dHB1dF9kaXIlMjAlNUMlMEElMjAlMjAlMjAlMjAtLXByZWRpY3Rfd2l0aF9nZW5lcmF0ZQ==",highlighted:`python examples/pytorch/summarization/run_summarization.py
    --model_name_or_path google-t5/t5-small \\
    --do_train \\
    --do_eval \\
    --dataset_name cnn_dailymail \\
    --dataset_config <span class="hljs-string">&quot;3.0.0&quot;</span> \\
    --source_prefix <span class="hljs-string">&quot;summarize: &quot;</span> \\
    --push_to_hub \\
    --push_to_hub_model_id finetuned-t5-cnn_dailymail \\
    --output_dir /tmp/tst-summarization \\
    --per_device_train_batch_size=4 \\
    --per_device_eval_batch_size=4 \\
    --overwrite_output_dir \\
    --predict_with_generate`,wrap:!1}}),Ce=new bl({props:{source:"https://github.com/huggingface/transformers/blob/main/docs/source/es/run_scripts.md"}}),{c(){n=p("meta"),d=s(),r=p("p"),m=s(),M(u.$$.fragment),o=s(),U=p("p"),U.innerHTML=Vt,Ie=s(),X=p("p"),X.innerHTML=Bt,We=s(),v=p("p"),v.textContent=Ft,Ze=s(),A=p("p"),A.innerHTML=Yt,xe=s(),I=p("p"),I.innerHTML=Et,Ge=s(),M(W.$$.fragment),Le=s(),Z=p("p"),Z.innerHTML=St,Re=s(),M(x.$$.fragment),ze=s(),G=p("p"),G.textContent=Ht,Ne=s(),L=p("details"),L.innerHTML=kt,Ve=s(),R=p("p"),R.textContent=Qt,Be=s(),M(z.$$.fragment),Fe=s(),N=p("p"),N.textContent=qt,Ye=s(),M(V.$$.fragment),Ee=s(),M(B.$$.fragment),Se=s(),M(b.$$.fragment),He=s(),M(F.$$.fragment),ke=s(),Y=p("p"),Y.innerHTML=Pt,Qe=s(),E=p("ul"),E.innerHTML=Dt,qe=s(),M(S.$$.fragment),Pe=s(),H=p("p"),H.innerHTML=Ot,De=s(),M(k.$$.fragment),Oe=s(),M($.$$.fragment),Ke=s(),M(Q.$$.fragment),et=s(),q=p("p"),q.innerHTML=Kt,tt=s(),C=p("blockquote"),ve=p("p"),ve.textContent=el,Rt=s(),M(P.$$.fragment),lt=s(),D=p("p"),D.innerHTML=tl,at=s(),M(O.$$.fragment),nt=s(),K=p("p"),K.textContent=ll,rt=s(),M(ee.$$.fragment),st=s(),te=p("p"),te.textContent=al,it=s(),M(le.$$.fragment),ot=s(),M(ae.$$.fragment),mt=s(),ne=p("p"),ne.textContent=nl,ut=s(),re=p("ul"),re.innerHTML=rl,pt=s(),se=p("p"),se.textContent=sl,ct=s(),M(ie.$$.fragment),dt=s(),M(oe.$$.fragment),Mt=s(),me=p("p"),me.textContent=il,ft=s(),ue=p("ul"),ue.innerHTML=ol,wt=s(),M(pe.$$.fragment),yt=s(),ce=p("p"),ce.innerHTML=ml,Jt=s(),M(de.$$.fragment),Tt=s(),M(Me.$$.fragment),ht=s(),fe=p("p"),fe.textContent=ul,Ut=s(),we=p("p"),we.innerHTML=pl,gt=s(),M(ye.$$.fragment),jt=s(),Je=p("p"),Je.innerHTML=cl,_t=s(),M(Te.$$.fragment),bt=s(),M(he.$$.fragment),$t=s(),Ue=p("p"),Ue.innerHTML=dl,Ct=s(),M(ge.$$.fragment),Xt=s(),je=p("p"),je.innerHTML=Ml,vt=s(),_e=p("p"),_e.innerHTML=fl,At=s(),be=p("p"),be.textContent=wl,It=s(),M($e.$$.fragment),Wt=s(),M(Ce.$$.fragment),Zt=s(),Ae=p("p"),this.h()},l(e){const t=_l("svelte-u9bgzb",document.head);n=c(t,"META",{name:!0,content:!0}),t.forEach(l),d=i(e),r=c(e,"P",{}),zt(r).forEach(l),m=i(e),f(u.$$.fragment,e),o=i(e),U=c(e,"P",{"data-svelte-h":!0}),h(U)!=="svelte-d7jl06"&&(U.innerHTML=Vt),Ie=i(e),X=c(e,"P",{"data-svelte-h":!0}),h(X)!=="svelte-1eed7pp"&&(X.innerHTML=Bt),We=i(e),v=c(e,"P",{"data-svelte-h":!0}),h(v)!=="svelte-q7in0w"&&(v.textContent=Ft),Ze=i(e),A=c(e,"P",{"data-svelte-h":!0}),h(A)!=="svelte-qqx6xh"&&(A.innerHTML=Yt),xe=i(e),I=c(e,"P",{"data-svelte-h":!0}),h(I)!=="svelte-6nrxdl"&&(I.innerHTML=Et),Ge=i(e),f(W.$$.fragment,e),Le=i(e),Z=c(e,"P",{"data-svelte-h":!0}),h(Z)!=="svelte-urhg7w"&&(Z.innerHTML=St),Re=i(e),f(x.$$.fragment,e),ze=i(e),G=c(e,"P",{"data-svelte-h":!0}),h(G)!=="svelte-14qw7jd"&&(G.textContent=Ht),Ne=i(e),L=c(e,"DETAILS",{"data-svelte-h":!0}),h(L)!=="svelte-1x1s4dq"&&(L.innerHTML=kt),Ve=i(e),R=c(e,"P",{"data-svelte-h":!0}),h(R)!=="svelte-hmx73f"&&(R.textContent=Qt),Be=i(e),f(z.$$.fragment,e),Fe=i(e),N=c(e,"P",{"data-svelte-h":!0}),h(N)!=="svelte-1xjsan8"&&(N.textContent=qt),Ye=i(e),f(V.$$.fragment,e),Ee=i(e),f(B.$$.fragment,e),Se=i(e),f(b.$$.fragment,e),He=i(e),f(F.$$.fragment,e),ke=i(e),Y=c(e,"P",{"data-svelte-h":!0}),h(Y)!=="svelte-1vayda"&&(Y.innerHTML=Pt),Qe=i(e),E=c(e,"UL",{"data-svelte-h":!0}),h(E)!=="svelte-11wko64"&&(E.innerHTML=Dt),qe=i(e),f(S.$$.fragment,e),Pe=i(e),H=c(e,"P",{"data-svelte-h":!0}),h(H)!=="svelte-1pgxo6n"&&(H.innerHTML=Ot),De=i(e),f(k.$$.fragment,e),Oe=i(e),f($.$$.fragment,e),Ke=i(e),f(Q.$$.fragment,e),et=i(e),q=c(e,"P",{"data-svelte-h":!0}),h(q)!=="svelte-1ao8eb7"&&(q.innerHTML=Kt),tt=i(e),C=c(e,"BLOCKQUOTE",{});var Xe=zt(C);ve=c(Xe,"P",{"data-svelte-h":!0}),h(ve)!=="svelte-v6ptb5"&&(ve.textContent=el),Rt=i(Xe),f(P.$$.fragment,Xe),Xe.forEach(l),lt=i(e),D=c(e,"P",{"data-svelte-h":!0}),h(D)!=="svelte-f2qxdl"&&(D.innerHTML=tl),at=i(e),f(O.$$.fragment,e),nt=i(e),K=c(e,"P",{"data-svelte-h":!0}),h(K)!=="svelte-1lbiwlb"&&(K.textContent=ll),rt=i(e),f(ee.$$.fragment,e),st=i(e),te=c(e,"P",{"data-svelte-h":!0}),h(te)!=="svelte-1xir6jm"&&(te.textContent=al),it=i(e),f(le.$$.fragment,e),ot=i(e),f(ae.$$.fragment,e),mt=i(e),ne=c(e,"P",{"data-svelte-h":!0}),h(ne)!=="svelte-i0mu2i"&&(ne.textContent=nl),ut=i(e),re=c(e,"UL",{"data-svelte-h":!0}),h(re)!=="svelte-63p7gb"&&(re.innerHTML=rl),pt=i(e),se=c(e,"P",{"data-svelte-h":!0}),h(se)!=="svelte-9ewep"&&(se.textContent=sl),ct=i(e),f(ie.$$.fragment,e),dt=i(e),f(oe.$$.fragment,e),Mt=i(e),me=c(e,"P",{"data-svelte-h":!0}),h(me)!=="svelte-1mxinmq"&&(me.textContent=il),ft=i(e),ue=c(e,"UL",{"data-svelte-h":!0}),h(ue)!=="svelte-14g5f8g"&&(ue.innerHTML=ol),wt=i(e),f(pe.$$.fragment,e),yt=i(e),ce=c(e,"P",{"data-svelte-h":!0}),h(ce)!=="svelte-1cyxowy"&&(ce.innerHTML=ml),Jt=i(e),f(de.$$.fragment,e),Tt=i(e),f(Me.$$.fragment,e),ht=i(e),fe=c(e,"P",{"data-svelte-h":!0}),h(fe)!=="svelte-1o75lnb"&&(fe.textContent=ul),Ut=i(e),we=c(e,"P",{"data-svelte-h":!0}),h(we)!=="svelte-g1kea5"&&(we.innerHTML=pl),gt=i(e),f(ye.$$.fragment,e),jt=i(e),Je=c(e,"P",{"data-svelte-h":!0}),h(Je)!=="svelte-1y54z8s"&&(Je.innerHTML=cl),_t=i(e),f(Te.$$.fragment,e),bt=i(e),f(he.$$.fragment,e),$t=i(e),Ue=c(e,"P",{"data-svelte-h":!0}),h(Ue)!=="svelte-vngql6"&&(Ue.innerHTML=dl),Ct=i(e),f(ge.$$.fragment,e),Xt=i(e),je=c(e,"P",{"data-svelte-h":!0}),h(je)!=="svelte-9rxj66"&&(je.innerHTML=Ml),vt=i(e),_e=c(e,"P",{"data-svelte-h":!0}),h(_e)!=="svelte-1vjyl3c"&&(_e.innerHTML=fl),At=i(e),be=c(e,"P",{"data-svelte-h":!0}),h(be)!=="svelte-1451tku"&&(be.textContent=wl),It=i(e),f($e.$$.fragment,e),Wt=i(e),f(Ce.$$.fragment,e),Zt=i(e),Ae=c(e,"P",{}),zt(Ae).forEach(l),this.h()},h(){Jl(n,"name","hf:doc:metadata"),Jl(n,"content",Gl)},m(e,t){Nt(document.head,n),a(e,d,t),a(e,r,t),a(e,m,t),w(u,e,t),a(e,o,t),a(e,U,t),a(e,Ie,t),a(e,X,t),a(e,We,t),a(e,v,t),a(e,Ze,t),a(e,A,t),a(e,xe,t),a(e,I,t),a(e,Ge,t),w(W,e,t),a(e,Le,t),a(e,Z,t),a(e,Re,t),w(x,e,t),a(e,ze,t),a(e,G,t),a(e,Ne,t),a(e,L,t),a(e,Ve,t),a(e,R,t),a(e,Be,t),w(z,e,t),a(e,Fe,t),a(e,N,t),a(e,Ye,t),w(V,e,t),a(e,Ee,t),w(B,e,t),a(e,Se,t),w(b,e,t),a(e,He,t),w(F,e,t),a(e,ke,t),a(e,Y,t),a(e,Qe,t),a(e,E,t),a(e,qe,t),w(S,e,t),a(e,Pe,t),a(e,H,t),a(e,De,t),w(k,e,t),a(e,Oe,t),w($,e,t),a(e,Ke,t),w(Q,e,t),a(e,et,t),a(e,q,t),a(e,tt,t),a(e,C,t),Nt(C,ve),Nt(C,Rt),w(P,C,null),a(e,lt,t),a(e,D,t),a(e,at,t),w(O,e,t),a(e,nt,t),a(e,K,t),a(e,rt,t),w(ee,e,t),a(e,st,t),a(e,te,t),a(e,it,t),w(le,e,t),a(e,ot,t),w(ae,e,t),a(e,mt,t),a(e,ne,t),a(e,ut,t),a(e,re,t),a(e,pt,t),a(e,se,t),a(e,ct,t),w(ie,e,t),a(e,dt,t),w(oe,e,t),a(e,Mt,t),a(e,me,t),a(e,ft,t),a(e,ue,t),a(e,wt,t),w(pe,e,t),a(e,yt,t),a(e,ce,t),a(e,Jt,t),w(de,e,t),a(e,Tt,t),w(Me,e,t),a(e,ht,t),a(e,fe,t),a(e,Ut,t),a(e,we,t),a(e,gt,t),w(ye,e,t),a(e,jt,t),a(e,Je,t),a(e,_t,t),w(Te,e,t),a(e,bt,t),w(he,e,t),a(e,$t,t),a(e,Ue,t),a(e,Ct,t),w(ge,e,t),a(e,Xt,t),a(e,je,t),a(e,vt,t),a(e,_e,t),a(e,At,t),a(e,be,t),a(e,It,t),w($e,e,t),a(e,Wt,t),w(Ce,e,t),a(e,Zt,t),a(e,Ae,t),xt=!0},p(e,[t]){const Xe={};t&2&&(Xe.$$scope={dirty:t,ctx:e}),b.$set(Xe);const yl={};t&2&&(yl.$$scope={dirty:t,ctx:e}),$.$set(yl)},i(e){xt||(y(u.$$.fragment,e),y(W.$$.fragment,e),y(x.$$.fragment,e),y(z.$$.fragment,e),y(V.$$.fragment,e),y(B.$$.fragment,e),y(b.$$.fragment,e),y(F.$$.fragment,e),y(S.$$.fragment,e),y(k.$$.fragment,e),y($.$$.fragment,e),y(Q.$$.fragment,e),y(P.$$.fragment,e),y(O.$$.fragment,e),y(ee.$$.fragment,e),y(le.$$.fragment,e),y(ae.$$.fragment,e),y(ie.$$.fragment,e),y(oe.$$.fragment,e),y(pe.$$.fragment,e),y(de.$$.fragment,e),y(Me.$$.fragment,e),y(ye.$$.fragment,e),y(Te.$$.fragment,e),y(he.$$.fragment,e),y(ge.$$.fragment,e),y($e.$$.fragment,e),y(Ce.$$.fragment,e),xt=!0)},o(e){J(u.$$.fragment,e),J(W.$$.fragment,e),J(x.$$.fragment,e),J(z.$$.fragment,e),J(V.$$.fragment,e),J(B.$$.fragment,e),J(b.$$.fragment,e),J(F.$$.fragment,e),J(S.$$.fragment,e),J(k.$$.fragment,e),J($.$$.fragment,e),J(Q.$$.fragment,e),J(P.$$.fragment,e),J(O.$$.fragment,e),J(ee.$$.fragment,e),J(le.$$.fragment,e),J(ae.$$.fragment,e),J(ie.$$.fragment,e),J(oe.$$.fragment,e),J(pe.$$.fragment,e),J(de.$$.fragment,e),J(Me.$$.fragment,e),J(ye.$$.fragment,e),J(Te.$$.fragment,e),J(he.$$.fragment,e),J(ge.$$.fragment,e),J($e.$$.fragment,e),J(Ce.$$.fragment,e),xt=!1},d(e){e&&(l(d),l(r),l(m),l(o),l(U),l(Ie),l(X),l(We),l(v),l(Ze),l(A),l(xe),l(I),l(Ge),l(Le),l(Z),l(Re),l(ze),l(G),l(Ne),l(L),l(Ve),l(R),l(Be),l(Fe),l(N),l(Ye),l(Ee),l(Se),l(He),l(ke),l(Y),l(Qe),l(E),l(qe),l(Pe),l(H),l(De),l(Oe),l(Ke),l(et),l(q),l(tt),l(C),l(lt),l(D),l(at),l(nt),l(K),l(rt),l(st),l(te),l(it),l(ot),l(mt),l(ne),l(ut),l(re),l(pt),l(se),l(ct),l(dt),l(Mt),l(me),l(ft),l(ue),l(wt),l(yt),l(ce),l(Jt),l(Tt),l(ht),l(fe),l(Ut),l(we),l(gt),l(jt),l(Je),l(_t),l(bt),l($t),l(Ue),l(Ct),l(Xt),l(je),l(vt),l(_e),l(At),l(be),l(It),l(Wt),l(Zt),l(Ae)),l(n),T(u,e),T(W,e),T(x,e),T(z,e),T(V,e),T(B,e),T(b,e),T(F,e),T(S,e),T(k,e),T($,e),T(Q,e),T(P),T(O,e),T(ee,e),T(le,e),T(ae,e),T(ie,e),T(oe,e),T(pe,e),T(de,e),T(Me,e),T(ye,e),T(Te,e),T(he,e),T(ge,e),T($e,e),T(Ce,e)}}}const Gl='{"title":"Entrenamiento con scripts","local":"entrenamiento-con-scripts","sections":[{"title":"Configuración","local":"configuración","sections":[],"depth":2},{"title":"Ejecutar un script","local":"ejecutar-un-script","sections":[],"depth":2},{"title":"Entrenamiento distribuido y de precisión mixta","local":"entrenamiento-distribuido-y-de-precisión-mixta","sections":[],"depth":2},{"title":"Ejecutar un script en una TPU","local":"ejecutar-un-script-en-una-tpu","sections":[],"depth":2},{"title":"Ejecutar un script con 🤗 Accelerate","local":"ejecutar-un-script-con--accelerate","sections":[],"depth":2},{"title":"Usar un conjunto de datos personalizado","local":"usar-un-conjunto-de-datos-personalizado","sections":[],"depth":2},{"title":"Prueba un script","local":"prueba-un-script","sections":[],"depth":2},{"title":"Reanudar el entrenamiento desde el punto de control","local":"reanudar-el-entrenamiento-desde-el-punto-de-control","sections":[],"depth":2},{"title":"Comparte tu modelo","local":"comparte-tu-modelo","sections":[],"depth":2}],"depth":1}';function Ll(j){return Ul(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class Fl extends gl{constructor(n){super(),jl(this,n,Ll,xl,hl,{})}}export{Fl as component};