Sumar

În acest capitol, ați învățat cum să abordați diferite sarcini NLP utilizând funcția pipeline() de nivel înalt din 🤗 Transformers. De asemenea, ați descoperit cum să căutați și să utilizați modele în Hub, precum și cum să testați acestee modelee direct în browser folosind API-ul de inferență.

Am discutat despre modul în care funcționează modelele Transformer dintr-o perspectivă generală și despre importanța transfer learning-ului și fine-tuning-ului. Un aspect cheie este faptul că puteți utiliza întreaga arhitectură sau doar encoder-ul sau decoder-ul, în funcție de tipul de sarcină pe care doriți să o rezolvați. Următorul tabel rezumă acest aspect:

Model	Exemple	Task-uri
Encoder	ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa	Clasificarea propozițiilor, recunoașterea entităților denumite, Extractive QA
Decoder	CTRL, GPT, GPT-2, Transformer XL	Generarea de text
Encoder-decoder	BART, T5, Marian, mBART	Rezumare, traducere, răspunsuri generative la întrebări

< > Update on GitHub