Buckets:
| <meta charset="utf-8" /><meta http-equiv="content-security-policy" content=""><meta name="hf:doc:metadata" content="{"local":"filosofa","sections":[{"local":"conceptos-principales","title":"Conceptos principales "}],"title":"Filosofía"}" data-svelte="svelte-1phssyn"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/assets/pages/__layout.svelte-hf-doc-builder.css"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/start-hf-doc-builder.js"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/chunks/vendor-hf-doc-builder.js"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/chunks/paths-hf-doc-builder.js"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/pages/__layout.svelte-hf-doc-builder.js"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/pages/philosophy.mdx-hf-doc-builder.js"> | |
| <link rel="modulepreload" href="/docs/transformers/v4.22.0/es/_app/chunks/IconCopyLink-hf-doc-builder.js"> | |
| <h1 class="relative group"><a id="filosofa" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#filosofa"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> | |
| <span>Filosofía | |
| </span></h1> | |
| <p>🤗 Transformers es una biblioteca construida para:</p> | |
| <ul><li>Los investigadores y educadores de NLP que busquen usar/estudiar/extender modelos transformers a gran escala </li> | |
| <li>Profesionales que quieren optimizar esos modelos y/o ponerlos en producción </li> | |
| <li>Ingenieros que solo quieren descargar un modelo preentrenado y usarlo para resolver una tarea NLP dada. </li></ul> | |
| <p>La biblioteca fue diseñada con dos fuertes objetivos en mente:</p> | |
| <ul><li><p>Que sea tan fácil y rápida de utilizar como sea posible:</p> | |
| <ul><li>Hemos limitado enormemente el número de abstracciones que el usuario tiene que aprender. De hecho, no hay casi abstracciones, | |
| solo tres clases estándar necesarias para usar cada modelo: <a href="main_classes/configuration">configuration</a>, | |
| <a href="main_classes/model">models</a> y <a href="main_classes/tokenizer">tokenizer</a>.</li> | |
| <li>Todas estas clases pueden ser inicializadas de forma simple y unificada a partir de ejemplos pre-entrenados mediante el uso de un método | |
| <code>from_pretrained()</code> común de solicitud que se encargará de descargar (si es necesario), almacenar y cargar la solicitud de clase relacionada y datos asociados | |
| (configurations’ hyper-parameters, tokenizers’ vocabulary, and models’ weights) a partir de un control pre-entrenado proporcionado en | |
| <a href="https://huggingface.co/models" rel="nofollow">Hugging Face Hub</a> o de tu propio control guardado.</li> | |
| <li>Por encima de esas tres clases estándar, la biblioteca proporciona dos APIs: <code>pipeline()</code> para usar rápidamente un modelo (junto a su configuracion y tokenizer asociados) | |
| sobre una tarea dada, y <code>Trainer</code>/<code>Keras.fit</code> para entrenar u optimizar de forma rápida un modelo dado.</li> | |
| <li>Como consecuencia, esta biblioteca NO es una caja de herramientas modular de bloques individuales para redes neuronales. Si quieres extender/construir sobre la biblioteca, | |
| usa simplemente los módulos regulares de Python/PyTorch/TensorFlow/Keras y emplea las clases estándar de la biblioteca como punto de partida para reutilizar funcionalidades | |
| tales como abrir/guardar modelo.</li></ul></li> | |
| <li><p>Proporciona modelos modernos con rendimientos lo más parecido posible a los modelos originales:</p> | |
| <ul><li>Proporcionamos al menos un ejemplo para cada arquitectura que reproduce un resultado proporcionado por los autores de dicha arquitectura.</li> | |
| <li>El código normalmente es parecido al código base original, lo cual significa que algún código Pytorch puede no ser tan | |
| <em>pytorchic</em> como podría ser por haber sido convertido a código TensorFlow, y viceversa. </li></ul></li></ul> | |
| <p>Unos cuantos objetivos adicionales:</p> | |
| <ul><li><p>Exponer las características internas de los modelos de la forma más coherente posible:</p> | |
| <ul><li>Damos acceso, mediante una sola API, a todos los estados ocultos y pesos de atención.</li> | |
| <li>Tokenizer y el modelo de API base están estandarizados para cambiar fácilmente entre modelos.</li></ul></li> | |
| <li><p>Incorporar una selección subjetiva de herramientas de gran potencial para la optimización/investigación de estos modelos:</p> | |
| <ul><li>Una forma sencilla/coherente de añadir nuevos tokens al vocabulario e incrustraciones (embeddings, en inglés) para optimización.</li> | |
| <li>Formas sencillas de camuflar y reducir “transformer heads”.</li></ul></li> | |
| <li><p>Cambiar fácilmente entre PyTorch y TensorFlow 2.0, permitiendo el entrenamiento usando un marco y la inferencia usando otro.</p></li></ul> | |
| <h2 class="relative group"><a id="conceptos-principales" class="header-link block pr-1.5 text-lg no-hover:hidden with-hover:absolute with-hover:p-1.5 with-hover:opacity-0 with-hover:group-hover:opacity-100 with-hover:right-full" href="#conceptos-principales"><span><svg class="" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" role="img" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 256 256"><path d="M167.594 88.393a8.001 8.001 0 0 1 0 11.314l-67.882 67.882a8 8 0 1 1-11.314-11.315l67.882-67.881a8.003 8.003 0 0 1 11.314 0zm-28.287 84.86l-28.284 28.284a40 40 0 0 1-56.567-56.567l28.284-28.284a8 8 0 0 0-11.315-11.315l-28.284 28.284a56 56 0 0 0 79.196 79.197l28.285-28.285a8 8 0 1 0-11.315-11.314zM212.852 43.14a56.002 56.002 0 0 0-79.196 0l-28.284 28.284a8 8 0 1 0 11.314 11.314l28.284-28.284a40 40 0 0 1 56.568 56.567l-28.285 28.285a8 8 0 0 0 11.315 11.314l28.284-28.284a56.065 56.065 0 0 0 0-79.196z" fill="currentColor"></path></svg></span></a> | |
| <span>Conceptos principales | |
| </span></h2> | |
| <p>La biblioteca está construida alrededor de tres tipos de clases para cada modelo:</p> | |
| <ul><li><strong>Model classes</strong> como <code>BertModel</code>, que consisten en más de 30 modelos PyTorch (<a href="https://pytorch.org/docs/stable/nn.html#torch.nn.Module" rel="nofollow">torch.nn.Module</a>) o modelos Keras (<a href="https://www.tensorflow.org/api_docs/python/tf/keras/Model" rel="nofollow">tf.keras.Model</a>) que funcionan con pesos pre-entrenados proporcionados en la | |
| biblioteca.</li> | |
| <li><strong>Configuration classes</strong> como <code>BertConfig</code>, que almacena todos los parámetros necesarios para construir un modelo. | |
| No siempre tienes que generarla tu. En particular, si estas usando un modelo pre-entrenado sin ninguna modificación, | |
| la creación del modelo se encargará automáticamente de generar la configuración (que es parte del modelo).</li> | |
| <li><strong>Tokenizer classes</strong> como <code>BertTokenizer</code>, que almacena el vocabulario para cada modelo y proporciona métodos para | |
| codificar/decodificar strings en una lista de índices de “token embeddings” para ser empleados en un modelo. </li></ul> | |
| <p>Todas estas clases pueden ser generadas a partir de ejemplos pre-entrenados, y guardados localmente usando dos métodos:</p> | |
| <ul><li><code>from_pretrained()</code> permite generar un modelo/configuración/tokenizer a partir de una versión pre-entrenada proporcionada ya sea por | |
| la propia biblioteca (los modelos compatibles se pueden encontrar en <a href="https://huggingface.co/models" rel="nofollow">Model Hub</a>) o | |
| guardados localmente (o en un servidor) por el usuario. </li> | |
| <li><code>save_pretrained()</code> permite guardar un modelo/configuración/tokenizer localmente, de forma que puede ser empleado de nuevo usando | |
| <code>from_pretrained()</code>.</li></ul> | |
| <script type="module" data-hydrate="kwonoh"> | |
| import { start } from "/docs/transformers/v4.22.0/es/_app/start-hf-doc-builder.js"; | |
| start({ | |
| target: document.querySelector('[data-hydrate="kwonoh"]').parentNode, | |
| paths: {"base":"/docs/transformers/v4.22.0/es","assets":"/docs/transformers/v4.22.0/es"}, | |
| session: {}, | |
| route: false, | |
| spa: false, | |
| trailing_slash: "never", | |
| hydrate: { | |
| status: 200, | |
| error: null, | |
| nodes: [ | |
| import("/docs/transformers/v4.22.0/es/_app/pages/__layout.svelte-hf-doc-builder.js"), | |
| import("/docs/transformers/v4.22.0/es/_app/pages/philosophy.mdx-hf-doc-builder.js") | |
| ], | |
| params: {} | |
| } | |
| }); | |
| </script> | |
Xet Storage Details
- Size:
- 9.27 kB
- Xet hash:
- 753d5e992ebcae918fcd70430083e8418ec4fd6d8426af6608600335a3670541
·
Xet efficiently stores files, intelligently splitting them into unique chunks and accelerating uploads and downloads. More info.