Buckets:
| # Giriş | |
| [İkinci bölümde](/course/chapter2) tokenizer ve pretrained modelleri kullanarak nasıl tahmin yapabileceğimizi öğrendik. Fakat, kendi veri setiniz için, pretrained bir modeli nasıl kullanacaksınız ? İşte bu bölümde bunu öğreneceksiniz! Öğrenecekleriniz : | |
| {#if fw === 'pt'} | |
| * Hub'dan nasıl büyük bir veri seti hazırlanır | |
| * Trainer API ile nasıl model fine-tune edilir | |
| * Özelleştirilmiş training döngüsü nasıl yazılır | |
| * Bu özel training döngüsünü herhangi bir dağıtılmış(distributed) kurulumda kolayca çalıştırmak için 🤗 Accelerate kütüphanesinden nasıl yararlanılır | |
| {:else} | |
| * Hub'dan nasıl büyük bir veri seti hazırlanır | |
| * Keras ile nasıl model fine-tune edilir | |
| * Keras ile tahminler nasıl elde edilir | |
| * Özel metrikler nasıl kullanılır | |
| {/if} | |
| Hugging Face Hub'a eğittiğiniz model ağırlıklarını yüklemek için huggingface.co hesabına ihtiyacınız var.[hesap oluşturun](https://huggingface.co/join) | |
Xet Storage Details
- Size:
- 988 Bytes
- Xet hash:
- 6bfce5d2cb58a077e21d6506b4045587544d668c3266a90ee1ab2c112132f0b2
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.