course/main/it/_app/immutable/nodes/13.bc2d80dc.js

import{s as te,o as ie,n as ne}from"../chunks/scheduler.cc52f4b9.js";import{S as oe,i as le,e as m,s as r,c as M,h as ae,a as u,d as i,b as s,f as Y,g as P,j as T,k as G,l as re,m as n,n as w,t as q,o as H,p as I,q as Z,r as ee}from"../chunks/index.d2856393.js";import{T as se}from"../chunks/Tip.a5bdccc4.js";import{C as me,H as ue,E as pe}from"../chunks/MermaidChart.svelte_svelte_type_style_lang.8ffb7edb.js";import{C as ce}from"../chunks/CourseFloatingBanner.59eb3fdc.js";function de(y){let l,a,c="creare un account",p;return{c(){l=Z("⚠️ Per poter usufruire di tutte le funzioni disponibili con il Model Hub e i 🤗 Transformers, si consiglia di "),a=m("a"),a.textContent=c,p=Z("."),this.h()},l(o){l=ee(o,"⚠️ Per poter usufruire di tutte le funzioni disponibili con il Model Hub e i 🤗 Transformers, si consiglia di "),a=u(o,"A",{href:!0,"data-svelte-h":!0}),T(a)!=="svelte-nxfwn4"&&(a.textContent=c),p=ee(o,"."),this.h()},h(){G(a,"href","https://huggingface.co/join")},m(o,d){n(o,l,d),n(o,a,d),n(o,p,d)},p:ne,d(o){o&&(i(l),i(a),i(p))}}}function fe(y){let l,a,c,p,o,d,$,k,v,A,g,R=`Come si è visto nel <a href="/course/chapter1">Capitolo 1</a>,  I modelli Transformers sono solitamente molto grandi.
Con milioni o decine di <em>miliardi</em> di parametri, l’addestramento e la distribuzione di questi modelli è un’impresa complicata.
Inoltre, con i nuovi modelli che vengono rilasciati quasi ogni giorno e ognuno dei quali ha una propria implementazione, provarli tutti non è un lavoro facile.`,S,h,D="La libreria 🤗 Transformers è stata creata per risolvere questo problema. Il suo obiettivo è fornire un’unica API attraverso la quale caricare, addestrare e salvare qualsiasi modello Transformer. Le caratteristiche principali della libreria sono:",E,b,J="<li><strong>Facilità d’uso</strong>: È possibile scaricare, caricare ed utilizzare un modello NLP all’avanguardia per fare inferenza con appena due righe di codice.</li> <li><strong>Flessibilità</strong>: Al loro interno, tutti i modelli sono semplici classi PyTorch <code>nn.Module</code> o TensorFlow <code>tf.keras.Model</code> e possono essere gestiti come qualsiasi altro modello nei rispettivi framework di apprendimento automatico (ML).</li> <li><strong>Semplicità</strong>: La libreria non contiene quasi nessuna astrazione. Il concetto di “All in one file” è fondamentale: il forward pass di un modello è interamente definito in un singolo file, in modo che il codice stesso sia comprensibile e violabile.</li>",F,z,K="Quest’ultima caratteristica rende 🤗 Transformers molto diversi da altre librerie ML. I modelli non sono costruiti su moduli condivisi tra i file, ma ogni modello ha i propri layers. Oltre a rendere i modelli più accessibili e comprensibili, questo permette di sperimentare facilmente su un modello senza influenzare gli altri.",j,x,V='Questo capitolo inizierà con un esempio in cui usiamo un modello e un tokenizer insieme per replicare la funzione <code>pipeline()</code> introdotta nel <a href="/course/chapter1">Capitolo 1</a>. Successivamente, parleremo dell’API del modello: ci immergeremo nelle classi del modello e della configurazione e mostreremo come caricare un modello e come esso elabora gli input numerici per produrre previsioni.',N,_,W="Successivamente vedremo l’API del tokenizer, che è l’altro componente principale della funzione <code>pipeline()</code>. I tokenizer si occupano della prima e dell’ultima fase di elaborazione, gestendo la conversione da testo a input numerici per la rete neurale e la conversione di nuovo in testo quando è necessario. Infine, mostreremo come gestire l’invio di più frasi a un modello in un batch preparato, per poi concludere il tutto con un’analisi più approfondita della funzione di alto livello <code>tokenizer()</code>.",O,f,Q,C,U,L,B;return o=new me({props:{containerStyle:"float: right; margin-left: 10px; display: inline-flex; position: relative; z-index: 10;"}}),$=new ue({props:{title:"Introduzione",local:"introduzione",headingTag:"h1"}}),v=new ce({props:{chapter:2,classNames:"absolute z-10 right-0 top-0"}}),f=new se({props:{$$slots:{default:[de]},$$scope:{ctx:y}}}),C=new pe({props:{source:"https://github.com/huggingface/course/blob/main/chapters/it/chapter2/1.mdx"}}),{c(){l=m("meta"),a=r(),c=m("p"),p=r(),M(o.$$.fragment),d=r(),M($.$$.fragment),k=r(),M(v.$$.fragment),A=r(),g=m("p"),g.innerHTML=R,S=r(),h=m("p"),h.textContent=D,E=r(),b=m("ul"),b.innerHTML=J,F=r(),z=m("p"),z.textContent=K,j=r(),x=m("p"),x.innerHTML=V,N=r(),_=m("p"),_.innerHTML=W,O=r(),M(f.$$.fragment),Q=r(),M(C.$$.fragment),U=r(),L=m("p"),this.h()},l(e){const t=ae("svelte-u9bgzb",document.head);l=u(t,"META",{name:!0,content:!0}),t.forEach(i),a=s(e),c=u(e,"P",{}),Y(c).forEach(i),p=s(e),P(o.$$.fragment,e),d=s(e),P($.$$.fragment,e),k=s(e),P(v.$$.fragment,e),A=s(e),g=u(e,"P",{"data-svelte-h":!0}),T(g)!=="svelte-1opxtn"&&(g.innerHTML=R),S=s(e),h=u(e,"P",{"data-svelte-h":!0}),T(h)!=="svelte-18vkpnp"&&(h.textContent=D),E=s(e),b=u(e,"UL",{"data-svelte-h":!0}),T(b)!=="svelte-1y8bqb2"&&(b.innerHTML=J),F=s(e),z=u(e,"P",{"data-svelte-h":!0}),T(z)!=="svelte-1uva84d"&&(z.textContent=K),j=s(e),x=u(e,"P",{"data-svelte-h":!0}),T(x)!=="svelte-m1wfcs"&&(x.innerHTML=V),N=s(e),_=u(e,"P",{"data-svelte-h":!0}),T(_)!=="svelte-1t2ycev"&&(_.innerHTML=W),O=s(e),P(f.$$.fragment,e),Q=s(e),P(C.$$.fragment,e),U=s(e),L=u(e,"P",{}),Y(L).forEach(i),this.h()},h(){G(l,"name","hf:doc:metadata"),G(l,"content",$e)},m(e,t){re(document.head,l),n(e,a,t),n(e,c,t),n(e,p,t),w(o,e,t),n(e,d,t),w($,e,t),n(e,k,t),w(v,e,t),n(e,A,t),n(e,g,t),n(e,S,t),n(e,h,t),n(e,E,t),n(e,b,t),n(e,F,t),n(e,z,t),n(e,j,t),n(e,x,t),n(e,N,t),n(e,_,t),n(e,O,t),w(f,e,t),n(e,Q,t),w(C,e,t),n(e,U,t),n(e,L,t),B=!0},p(e,[t]){const X={};t&2&&(X.$$scope={dirty:t,ctx:e}),f.$set(X)},i(e){B||(q(o.$$.fragment,e),q($.$$.fragment,e),q(v.$$.fragment,e),q(f.$$.fragment,e),q(C.$$.fragment,e),B=!0)},o(e){H(o.$$.fragment,e),H($.$$.fragment,e),H(v.$$.fragment,e),H(f.$$.fragment,e),H(C.$$.fragment,e),B=!1},d(e){e&&(i(a),i(c),i(p),i(d),i(k),i(A),i(g),i(S),i(h),i(E),i(b),i(F),i(z),i(j),i(x),i(N),i(_),i(O),i(Q),i(U),i(L)),i(l),I(o,e),I($,e),I(v,e),I(f,e),I(C,e)}}}const $e='{"title":"Introduzione","local":"introduzione","sections":[],"depth":1}';function ve(y){return ie(()=>{new URLSearchParams(window.location.search).get("fw")}),[]}class _e extends oe{constructor(l){super(),le(this,l,ve,fe,te,{})}}export{_e as component};