Curso de abrazos faciales para principiantes

1. ACERCA DEL CURSO: En este video curso, aprende fase de abrazos y sus conceptos Hugging Face es una empresa y comunidad de código abierto que se enfoca en el procesamiento del lenguaje natural y la inteligencia artificial Es mejor conocido por su biblioteca de transformadores, que proporciona herramientas y modelos preentrenados para una amplia gama de tareas de PNL, como clasificación de textos, análisis de sentimientos, traducción automática y En este curso, hemos cubierto las siguientes lecciones con ejemplos de live running. Empecemos con la primera lección. 2. Abrazar rostros: introducción y características: En esta lección, aprenderemos lo que es abrazar a la cara. Con eso, también entenderemos las características. Empecemos. Hugging Face es una compañía ampliamente conocida y comunidad de código abierto que se enfoca en la PNL, es decir, el procesamiento del lenguaje natural También se centra en la inteligencia artificial. Hugging Face es mejor conocido por su biblioteca de transformadores que proporciona herramientas y modelos preentrenados Para que se pueda realizar una amplia gama de tareas de PNL como análisis de sentimientos, traducción automática, resumen de texto Las bibliotecas de caras abrazadas más utilizadas son transformadores, conjuntos de datos y tokenizadores Veamos las características. Incluye muchas bibliotecas. Una de las bibliotecas clave son los transformadores. Eso incluye modelos pre entrenados como BT. La cara de abrazo también incluye Model Hub. Esa es una plataforma donde los usuarios pueden compartir y descargar modelos pre entrenados. Con eso, los usuarios también pueden descargar conjuntos de datos y otros recursos. Hugging Face también incluye una biblioteca para una variedad de conjuntos de datos La biblioteca se llama Biblioteca de Conjuntos de Datos y se utiliza para la tarea de PNL Hugging Face también está teniendo una plataforma para alojar y compartir demostraciones y aplicaciones de aprendizaje automático , que se llama espacios Con eso, usando Hugging Face, puede implementar y usar modelos fácilmente en entornos de producción. Hugging Face es tener una comunidad y colaboración fuertes Esa es una comunidad de desarrolladores, unos amantes que contribuyen al ecosistema. Veamos algunos de los modelos populares en Hugging Face. El ave ampliamente utilizada se utiliza para entender el contexto de las palabras en una oración. Su forma completa son representaciones codificadoras bidireccionales de transformadores Es un potente marco de aprendizaje automático de código abierto desarrollado por Google para PNL Sobresale en la comprensión del contexto de palabras y oraciones al analizar las relaciones entre ellas manera bidireccional que permite a las computadoras comprender mejor el significado del lenguaje ambiguo También incluye PT que es transformador preentrenado generativo, también transformador texto a texto con esa robota que es un enfoque bot robustamente optimizado. Robota es un modelo de lenguaje basado en transformadores que emplea la autoatención para analizar secuencias de entrada Robota aplica enmascaramiento dinámico donde se cambia el patrón de enmascaramiento Ofrece un rendimiento mejorado en diversas tareas de PNL. Por lo que también puedes relacionar BT con Robota. Considerar que el objetivo principal del modelo Robota es mejorar el rendimiento del modelo bord abordando sus limitaciones Estos fueron los modelos populares de fase de abrazos. En esta lección, vimos lo que es la fase de abrazo, sus características de introducción y algunos modelos populares Gracias por ver el video. 3. Abrazar el rostro: casos de uso: En esta lección, entenderemos casos de uso de la fase de abrazo Hugging Face admite una amplia gama de casos de uso en aplicaciones de PNL, visión por computadora e incluso aplicaciones multimodales Veamos los casos de uso. La fase de abrazo es ampliamente utilizada. Aquí hemos discutido algunos casos de uso clave, comenzando con EI conversacional, que ya conoces, es decir chatbds Bien, construye tableros de chat inteligentes usando modelos como GPT, Blender board y otros. Estos boods de chat se pueden utilizar para la atención al cliente, como la asistencia virtual Con eso, también se pueden crear sistemas de diálogo interactivo. Estos pueden ser utilizados como asistencia educativa así como juntas de terapia. Luego viene el análisis de sentimientos, como su nombre indica, puede analizar fácilmente los comentarios de los clientes, analizar sus publicaciones en redes sociales o las respuestas a la encuesta para que pueda determinar el sentimiento que es positivo, negativo o neutral Con eso, genere texto fácilmente, genere artículos, blogs, incluso poemas usando modelos como GPT Las cotizaciones también se pueden generar fácilmente, generar fragmentos de código en cualquier lenguaje de programación Con eso, se puede generar contenido, incluyendo descripciones de productos, revisión, planes de marketing y otros. A continuación viene el resumen de texto. Si quieres resumir tu texto, digamos que quieres resumir noticias, puedes hacerlo fácilmente Con eso, digamos que tienes algunos documentos PDF y solo quieres resumirlos. Esos documentos largos se pueden resumir fácilmente en puntos importantes. Con eso, también puedes anotar notas de reuniones. Luego viene tu reconocimiento de entidad nombrada, extrae fácilmente nombres, habilidades y experiencia de currículums. También es útil en la atención médica para identificar el diagnóstico, el nombre de los pacientes, algunos términos médicos y otros. Con eso, también se puede extraer el nombre de las empresas, cómo están trabajando de sus informes financieros también. Por lo tanto, también se utiliza en el dominio financiero. La traducción automática, como su nombre indica, puede traducir la aplicación de su sitio web e incluso documentos de un idioma a otro, digamos, del inglés al español. También se puede utilizar en idiomas que tienen bajos recursos. Eso es para traducción. caso de uso de respuesta a preguntas es principalmente útil para la atención al cliente. Con eso responde fácilmente las preguntas que hacen los alumnos en base a un libro de texto específico o notas Las preguntas frecuentes se pueden responder fácilmente y cuando dije atención al cliente, eso en sí mismo significa que hemos visto tickets de soporte en sitios web para que los usuarios puedan hacer preguntas fácilmente. Con eso, puede recuperar fácilmente respuestas de documentos grandes o bases de datos. También utilícelo para reconocimiento de voz y síntesis. También puede convertir voz en texto, crear aplicaciones de control de voz usando modelos de voz a texto y texto a voz. También puede proporcionar subtítulos en tiempo real, generar descripciones para imágenes Digamos que has escaneado documento o imágenes y quieres texto de él, puedes lograrlo fácilmente. Además, si quieres leer o escanear imágenes, eso también se puede lograr. Eso significa respuesta visual. Luego vienen tus sistemas de recomendación. Debió haberlo visto en Netflix o Amazon Prime. Recomiende fácilmente películas o series web usando lo que realmente le gusta a la gente en su cuenta. Con ese NAS los resultados de búsqueda entendiendo la intención de los usuarios y su contexto. También detectar fraudes con facilidad. Con eso respecto a los correos electrónicos, detectar y filtrar fácilmente los correos de Sam, salud mental también se puede monitorear usando un modelo, analizar fácilmente el texto o el habla para que se puedan detectar las emociones, como el estrés, la ansiedad, o incluso la depresión. Con eso, entiende las emociones de los clientes durante las llamadas de soporte o incluso el chat. Texto a voz y voz a texto también se pueden lograr y las traducciones en tiempo real se pueden trabajar fácilmente. Las aplicaciones multimodales analizan fácilmente el contenido de video. Con aplicaciones multimodales, se puede analizar fácilmente, ni siquiera texto, sino también video y audio Las aplicaciones de realidad aumentada también se pueden construir fácilmente para generar datos de texto sintéticos para entrenamiento, modelos de aprendizaje automático También puedes parafrasear texto, también identificar la relación entre entidades en el texto, calificar fácilmente los ensayos o tareas de los estudiantes, construir herramientas para corrección gramatical, vocabulario, reformulación de contenido, Uso en salud y ciencias de la vida. A partir de los registros médicos de un paciente, puede extraer fácilmente los conocimientos. De documentos legales, extraer fácilmente las cláusulas clave, obligación o cualquier posible riesgo. Con eso, también puedes crear narrativas impulsadas por IA para juegos Analiza las redes sociales fácilmente para que puedas identificar los temas de tendencia o incluso las etiquetas hash. Analizar también el impacto del post realizado por influencias. También se pueden crear aplicaciones multilingües para que pueda habilitar la búsqueda en varios idiomas. discurso de odio y el contenido dañino es algo en lo que hay que trabajar. Con esto, podrás detectarlos y moderarlos fácilmente. Predice fácilmente las tendencias del mercado de valores analizando artículos de noticias, sentimientos en redes sociales, publicaciones en Twitter y otros. Predecir eventos como el lanzamiento de un producto, contenido de correo electrónico personalizado para campañas de marketing, personalizar el contenido del sitio web o la aplicación en función de las preferencias y el comportamiento del usuario. Fine Tune modelos preentrenados para su tarea específica. Además, puede comparar el rendimiento de diferentes modelos en conjuntos de datos personalizados. Entonces, chicos, vimos algunos de los grandes casos de uso de la fase de abrazos En las próximas lecciones, implementaremos algunas de ellas. 4. Biblioteca de transformadores de Hugging Face: En esta lección, entenderemos la biblioteca de transformadores de fase de abrazo También aprenderemos a instalarlo. A ver. La biblioteca de transformadores es la biblioteca principal para modelos y tuberías preentrenados. Es una biblioteca Python de código abierto. Como dije antes, la fase Hugging desarrolló la biblioteca de transformadores, y es modular y extensible Incluye miles de modelos preentrenados para una amplia gama de tareas de PNL como traducción, resumen de textos, clasificación de textos y Entonces en esta lección, entenderemos qué es la biblioteca transformers, por qué usar la biblioteca transformers, es casos de uso así como cómo instalar. Empecemos. Entonces ya vimos lo que es la biblioteca de transformadores aquí. Ahora veremos por qué usar la biblioteca transformers. La biblioteca Transformers es ampliamente utilizada porque es bastante simple de usar con modelos complejos de PNL Le brinda acceso a modelos de vanguardia. Con eso, está respaldado por una comunidad grande y activa. Admite personalización y afinación fina. Con eso, se puede integrar la biblioteca de transformadores con otras herramientas. Aquí hay algunos casos de uso de la biblioteca transformers, clasificar textos en categorías como clasificación de texto en el caso de detección de spam en correos electrónicos También identifique entidades como nombres, fechas y ubicaciones en texto, lo que se denomina reconocimiento de entidad con nombre. Traduce textos entre diferentes idiomas del inglés al alemán con que generen texto usando modelos como GPT También implementar la contestación de cociente. Eso es para responder sobre la base de un contexto dado. Veamos cómo instalar la biblioteca de transformadores. Entonces aquí hay diferentes formas. Use PIP para instalar la biblioteca de transformadores. PIP es un gestor de paquetes para descargar, instalar y administrar paquetes y bibliotecas Python Con eso, también puedes usar Google Colab. Aquí puedes encontrar alguna diferencia en la sintaxis. Hay un signo de exclamación si lo estás instalando en Google Colab Con eso, también puedes instalar la biblioteca transformers directamente desde el repositorio Phase Github abrazando Entonces veamos cómo instalarlo. Usaremos Google Colab para ello. Añadiremos el siguiente comando. A ver. Aquí está nuestro navegador, escribiré, Google Colab y presionaré Enter Aquí está el enlace proporcionado por Google solo colab.research.google.com Aquí puedes ver que ya inicié sesión en mi cuenta de Gmail, por lo que se abrirá directamente. He hecho clic en así que me está pidiendo que cree un nuevo cuaderno aquí Estos son mis cuadernos ya creados. Voy a hacer clic en Nuevo cuaderno. Por lo que es una aplicación web gratuita. Entonces ahora vamos a usar el mismo comando aquí para instalarlo. Te voy a mostrar otra vez. Aquí está el comando. Bien, escribamos el mismo comando. Bien, espacio PIP instala transformadores espaciales. Después de eso, lo que tenemos que hacer tenemos que simplemente hacer clic en esto. Está escrito correr aquí. Puedes ver carreras Bien, así de esta manera, podemos instalar la biblioteca transformers usando Google Colab Puedes agregar el nombre de tu libreta Python aquí. Entonces esto creó un Cuaderno de Python. Si conoces a Anaconda, puedes adivinar fácilmente qué es un cuaderno Python Guárdalo desde aquí y cámbiele el nombre más tarde. Entonces aquí acabo de implementar esta sintaxis para instalar la biblioteca transformers. En esta lección, vimos, qué es la biblioteca de transformadores. También vimos por eso que es tan popular con que también vimos algunos casos de uso y cómo instalarlo. 5. Biblioteca de conjuntos de datos de Hugging Face: En esta lección, entenderemos biblioteca de conjuntos de datos en la fase de abrazo Con eso, también veremos cómo instalarlo. Empecemos. La biblioteca de conjuntos de datos proporciona un fácil acceso a una amplia variedad de conjuntos de datos para PNL y otras tareas de aprendizaje automático Está desarrollado por Hugging Face y es una biblioteca Python. Facilita a los desarrolladores e investigadores trabajar con datos para capacitar y evaluar modelos. Entonces en esta lección, veremos qué es la biblioteca de conjuntos de datos, por qué usarla. Entonces usa casos de la biblioteca de datasets con eso como instalarla. Empecemos. Ya cubrimos lo que es la biblioteca de conjuntos de datos. Así que comencemos con por qué usar la biblioteca de conjuntos de datos. Una de las razones es que la eficiencia, la carga perezosa y el vapor hacen que sea fácil trabajar con grandes conjuntos Los conjuntos de datos pueden ser enormes, y siempre necesitamos una biblioteca o una tecnología para facilitar el trabajo de acceder y trabajar en esos conjuntos de datos. Entonces esta biblioteca realmente ayuda. Cuenta con una API unificada para procesar conjuntos de datos. También se puede trabajar con la Biblioteca Transformers y otros frameworks ML con la biblioteca de datasets para que integración e interoperabilidad sea posible Miles de conjuntos de datos son proporcionados por Huggingfas. Admite conjuntos de datos personalizados y canalizaciones de preprocesamiento. Entonces, antes de instalar la biblioteca de conjuntos de datos, déjame mostrarte su sitio web. Entonces aquí está el enlace huggface.co, sitio web oficial de conjuntos de datos de slash Así se puede ver cuántos conjuntos de datos se proporcionan más de 350 K, y aquí está. Si vas a dar clic en alguno de ellos, podrás obtener todos los detalles. En este tutorial, también te mostraremos cómo descargar y acceder a un conjunto de datos fácilmente usando Huggingface Más tarde veré los casos de uso o la biblioteca de conjuntos de datos con conjuntos de datos de carga y preprocesamiento fáciles para tareas como la detección de spam Eso viene bajo clasificación textual. Con eso, también se puede trabajar con análisis de sentimientos y la respuesta de cocientes Usando esto, puede construir fácilmente sistemas de respuesta de cociente Algunos conjuntos de datos también se proporcionan para su traducción con ese propósito de reconocimiento de entidad nombrada también se puede cumplir con algunos conjuntos de datos ya proporcionados por Hugging Face Cargue y preprocese sus conjuntos de datos personalizados utilizando la biblioteca de conjuntos de datos Ahora veamos cómo instalar la Biblioteca de Conjuntos de Datos. Por lo tanto, puede usar el administrador de paquetes PPA PPA para descargar, instalar y administrar paquetes y bibliotecas de Python Simplemente use el comando PIP Space install space datasets. Con eso, también puedes usar Google Colab fácilmente. Pero hay una diferencia entre ambas sintaxis. Tienes un signo de exclamación para Google Colab. Lo veremos más adelante. Con eso, puedes descargarlo directamente desde el repositorio HuggFasGitub usando la sintaxis proporcionada, los conjuntos de datos de hugfacelash Git plus github.com Dile a S pip que instale el de Git plus github.com Dile a S pip que instale el paquete desde el repositorio de conjuntos de datos de fase abrazado pip el repositorio HuggFasGitub usando la sintaxis proporcionada, los conjuntos de datos de hugfacelash de Git plus github.com Dile a S pip que instale el paquete desde el repositorio de conjuntos de datos de fase abrazado en Github. Ahora veamos cómo instalar la biblioteca de conjuntos de datos. Ya vimos Google Colab. Entonces solo usaré la segunda sintaxis para instalar la biblioteca Datasets en Google Colab Entonces esta fue nuestra Collab de Oro. Ya vimos cómo instalar la biblioteca de transformadores. Podemos instalar la biblioteca de conjuntos de datos aquí mismo, pero déjame crear un nuevo cuaderno, ir a Archivo. Haga clic en Nuevo cuaderno. Ahora se abrió un nuevo cuaderno Python. Vamos a escribir el comando para instalar conjuntos de datos, Pip instalar PIP space install space datasets, y simplemente ejecutar la celda desde aquí También lo he mostrado antes. Vamos a esperar. Tik Mark es visible. Eso significa que lo instalamos con éxito. También puedes guardarlo desde aquí te lo dije antes también guarda y déjanos agregar el nombre a nuestro cuaderno Python. Así que de esta manera, chicos, podemos instalar fácilmente la biblioteca de datasets. En las próximas lecciones, también veremos cómo trabajar con ellas y sus casos de uso. Chicos, vimos lo que es la biblioteca de conjuntos de datos. Entendimos fácilmente el concepto, también son casos de uso, y también vimos cómo instalar la biblioteca de conjuntos de datos. 6. Biblioteca de tokenizers de Hugging Face: En esta lección, entenderemos la biblioteca de tokenizadores de la fase de abrazos Con eso, también veremos cómo instalarlo. La Biblioteca Tokenizers es una biblioteca rápida y eficiente para tokenizar texto, que a menudo se usa junto con la biblioteca que a menudo se usa junto con Ya vimos la biblioteca de transformadores antes en las lecciones anteriores. Por lo que la biblioteca tokenizer es una biblioteca rápida, eficiente y flexible diseñada para tokenizar Lo cual es un paso crucial en el procesamiento del lenguaje natural. tokenización implica dividir textos en unidades más pequeñas como palabras, subpalabras o caracteres, luego estos se convierten en representaciones numéricas que los modelos ML pueden procesar En esta lección, entenderemos qué es la biblioteca del tokenizador, por qué la usa, sus casos de uso, así como cómo instalar Así que empecemos, ya vimos lo que es la biblioteca de tokenizadores. Entonces ahora veremos por qué usar la biblioteca de tokenizadores. Es bastante rápido para la tokenización, eso significa optimizado para una tokenización rápida, incluso También es compatible con tokenizadores personalizados, así como lo suficientemente flexible como para soportar múltiples algoritmos de tokenización La integración es posible. Eso significa que puedes trabajarlo con otras bibliotecas de caras abrazadas como transformadores Cuenta con una API fácil para tokenizar, decodificar y administrar Con eso, puedes acceder fácilmente a los tokenizadores preentrenados. Ahora veamos los casos de uso. Tokenize fácilmente los datos textuales para clasificar texto para la detección de spam Con eso, también se puede analizar el spam. Realice fácilmente análisis de sentimiento, alinee los tokens con etiquetas de entidad También se utiliza para la traducción automática. Algunos de sus otros casos de uso incluyen la generación de texto e incluso la respuesta a preguntas. Con ese entrenar y usar tokenizadores para conjuntos de datos específicos de dominio Ahora, veamos cómo instalar la Biblioteca de tokenizadores. Podemos usar el administrador de paquetes PEP PIP para descargar, instalar y administrar paquetes Python, usar el espacio Syntax PIP install tokenizers para instalarlo Con eso, también podemos usar la Biblioteca de tokenizadores en Google Ya vimos cómo instalar una biblioteca en Google Collab. De igual manera, podemos usar el signo de exclamación PIP space install space tokenizers Además, la tercera forma en la que puede decirle a PIP que instale el paquete desde el repositorio de conjuntos de datos de fase de abrazo También puedes usar la tercera forma que se instala directamente desde el repositorio Github, Type PIP space Install space Git más la ruta Github para instalarlo Ahora veamos cómo instalar Tokenizers Library en Google Abriremos de nuevo Google Colab. Entonces aquí está nuestro Google Colab. Ya instalamos la biblioteca de transformadores y conjuntos de datos. Podemos instalar la Biblioteca Tokenizer aquí mismo, pero permítanme crear un nuevo Cuaderno Python, GodOfle haga clic en Nuevo Cuaderno GodOfle Ahora, escribamos el comando. exclamación, espacio PIP instala tokenizadores de espacio y Haga clic aquí, Run Sell. Ahora se instalará la biblioteca de tokenizadores. También puedes guardar esto Como te dije antes, creará un cuaderno de Python. Entonces aquí, voy a escribir Amith underscore. Se puede añadir cualquier nombre. Y este es nuestro cuaderno Python. Bien, utilizaremos todas estas bibliotecas más adelante cuando trabajemos en los casos de uso de Hugging Face Entonces, chicos, vimos lo que es la biblioteca de tokenizadores. También vimos su propósito, así como los casos de uso. Con eso, también instalamos la biblioteca de tokenizadores en Google 7. Token de acceso Hugging Face (clave API) y cómo crearlo: En esta lección, aprenderemos qué es un token de exceso de abrazos Con eso, también aprenderemos a crearlo . Empecemos. Considera un exceso de token como una cadena segura de caracteres. Esto se utiliza principalmente para acceder a los servicios y recursos de la fase de abrazo La fase de abrazo, la clave API y el token de exceso de fase de abrazo son lo mismo Entonces en esta lección, veremos qué es un token en exceso, es decir, una clave API. Con eso, aprenderemos cuándo necesitamos un token de exceso de fase de abrazo Además, entenderemos que cuando no se requiera el token de exceso de fase de abrazo, al final, aprenderemos a crear una clave API. Empecemos. Entonces cubrimos lo que es un APK, que es un token sobrante en fase de abrazo Ahora veamos ¿cuándo necesitamos un token de exceso de fase de abrazo Aquí está. Cuando usas un modelo privado o cerrado o una API de inferencia, necesitas un token de exceso de fase de abrazo necesitas un token de exceso de fase de abrazo Debió haber oído hablar de Meta Sama. Se trata de un modelo privado. Para acceder a él, es necesario autenticarse. Eso significa que necesitas crear una clave API. Necesitas una ficha. Con eso, si estás usando la API de inferencia huggingpas, entonces necesitas un token de acceso para realizar llamadas a la API entonces necesitas un token de acceso para Además, si estás cargando modelos o conjuntos de datos o incluso espacios en el hub de Pace que se abraza, necesitas un token de acceso Ahora veamos cuándo no necesitas un token de acceso huggingfas Obviamente, si estás accediendo a modelos públicos que están disponibles públicamente para descargar y usar, no necesitas un token en exceso. Al igual que GPD dos, también, si estás usando los modelos a través de la biblioteca de transformadores de la fase Hugging, no necesitas un token de acceso Estos están disponibles públicamente y se pueden descargar fácilmente sin ninguna autenticación, sin ningún APake Además, muchos modelos de código abierto están disponibles para acceder a estos modelos, no necesitas una clave API, no necesitas un token de acceso porque están disponibles gratuitamente. Entonces, en las próximas lecciones, estaremos trabajando en estos modelos públicos y de código abierto solo para que no haya necesidad de crear un token de acceso a la fase de abrazo Ahora, veamos cómo crear un token de acceso a la fase de abrazo Entonces iremos al sitio web de la Fase de abrazos y crearemos un token de acceso. Entonces comencemos. Abre el sitio web oficial huggface.co slash Entonces aquí está, es necesario que se unan. Eso significa que necesitas crear una cuenta en Hugging face. Aquí puedes usar tu dirección de correo electrónico. Entonces déjame crear mi cuenta. Así que aquí he agregado cuenta, mi ID de correo electrónico. No ingrese la contraseña. Aquí está ahora haz clic Siguiente completa tu perfil aquí, agrega un nombre de usuario. Agrega tu nombre. También puedes agregar tu nombre de usuario de Twitter. Estos son perfiles opcionales de LinkedIn también. También puedes subir tu OTR. Voy a hacer clic. Además, puedes agregar tu nombre de usuario de iTB así como tu sitio web Como puede ver, estos son opcionales. Clic Tengo Rojo. Y después de eso, haz clic en Crear cuenta. Hemos creado una cuenta. Debe verificar sus cartas de correo electrónico para obtener un enlace de confirmación. Ahora tu cuenta está verificada. Su dirección de correo electrónico ha sido verificada. Da clic en tu perfil. Ve a continuación. Está escrito el exceso de fichas. Aquí está. Haga clic en él. Ahora, necesitas crear un nuevo token haciendo clic aquí. Recuerda, no compartas tus fichas sobrantes con nadie. Crear nuevo token. Agrega el nombre del token. Digamos que voy a escribir Demo key. Bien. Ahora ve a continuación. Haga clic en Crear token. La clave creada con éxito. Puedes copiarlo y guardarlo. Aquí está escrito, guárdalo en algún lugar seguro. No podrás volver a verlo después de cerrar este modelo. Haga clic en Listo. Ahora todas tus llaves son visibles. Aquí está, creamos una sola clave hace un momento, y cuando haces clic aquí, puedes editarla. Puedes editar los permisos, y también eliminarlos. Bien, vimos lo que son los tokens sobrantes o clave APA en cara de abrazar Con eso, también aprendimos a crear. 8. Descarga un set de datos en Hugging Face: En esta lección, aprenderemos a descargar un conjunto de datos de la fase de abrazos Para ello, usaremos la biblioteca de conjuntos de datos. Veamos que un conjunto de datos se refiere a una colección de datos estructurados, que pueden ser utilizados para entrenar, evaluar o probar modelos de aprendizaje automático. Así que abrazar ritmo es tener muchos conjuntos de datos en su plataforma, cuales pueden ser utilizados para diversos casos de uso como PNL Utilizaremos la biblioteca de conjuntos de datos para descargar un conjunto de datos de la fase Hugging. Veamos. Primero, veamos los conjuntos de datos. Ir al sitio web de Hugging Phase slash datasets. Entonces estos son los conjuntos de datos proporcionados por Hugging face. Se pueden ver muchos de ellos. Veamos cómo podemos descargarla. Entonces iremos a la misma plataforma, Google Colab, que hemos utilizado antes en este tutorial. Aquí está. Bien. Entonces este es el cuaderno que ya creamos. En este primero, instalamos la biblioteca de conjuntos de datos. Ya te dije cómo instalarlo en Google Colab usando el comando PIP Después de eso, cargamos un conjunto de datos usando el dataset load underscoe Función. Esta función puede descargar conjuntos de datos desde el hub Hugging Face o cargarlos desde archivos locales Estamos descargando un conjunto de datos desde el hub de cara de abrazo en este momento Aquí está. Bien, aquí estamos cargando el conjunto de datos IMDB Después de eso, estoy imprimiendo el conjunto de datos usando el método de impresión. Aquí estamos importando la función de conjunto de datos de subrayado de carga función de conjunto de datos de subrayado Esto proporciona acceso a diversos conjuntos de datos públicos como IMDB en este caso Aquí estamos cargando el conjunto de datos IMDB. El conjunto de datos de IMDB contiene críticas de películas etiquetadas como positivas o negativas o clasificación de sentimiento. Cuando se ejecuta, se descargará y procesará automáticamente el conjunto de datos. Aquí estamos imprimiendo el conjunto de datos. Esto dividirá el conjunto de datos en tren y prueba. Bien, que mostrará una visión general del conjunto de datos, incluyendo el número de muestras en cada división. Veamos después de correr, aquí está, nos está mostrando la estructura del conjunto de datos IMDB Como diccionario de conjunto de datos, que organiza el conjunto de datos en diferentes divisiones. El tren contiene 25 Kos con texto de características para críticas de películas y etiqueta para sentimiento como positivo o negativo Aquí, para prueba, es decir 25 Kos para fines de prueba con las mismas características. Contiene 50 Kos, pero esta división normalmente no tiene etiquetas para el análisis de sentimientos. A menudo se usa para tareas como preentrenamiento o aprendizaje semi supervisado. En esto ustedes, podemos descargar un conjunto de datos. 9. Descarga un modelo de Hugging Face: En esta lección, aprenderemos cómo podemos descargar un modelo de Hugging Face Veamos. Entonces para descargar, usaremos la biblioteca transformers. Con eso, también podemos descargar directamente desde el Hugging Face Hub Veamos una guía paso a paso para descargar y usar modelos de Hugging Face Vamos a utilizar la biblioteca de transformadores, que ya discutimos. Veamos. Aquí está nuestro código VS. Ya creamos un archivo de cuaderno, cuaderno abierto. Así que aquí ya creamos el modelo de descarga de AmtnDerscoe . En esto, lo que hicimos primero, instalamos la biblioteca transformers. Ya discutimos que Hugging Phase desarrolló esta biblioteca Así que usamos PIP para instalarlo en Google Colab. Después de eso, lo que hicimos aquí, descargamos un modelo usando la biblioteca transformers. hemos utilizado el método From Para ello hemos utilizado el método From underscore pre entrenado Este método descarga los pesos del modelo, configuración y el tokenizador desde el hub Phase que se abraza Estamos descargando un modelo de ave preentrenada. Aquí está. Después de ejecutar lo que vamos a conseguir, corrimos esto y conseguimos la forma. Esta forma se ve comúnmente en modelos bits donde cada token en una secuencia está representado por un vector dimensional 768. Cuando usamos el modelo sin carcasa de guión base Burt y pasamos la fase de abrazamiento de saludo de entrada, la última forma de salida de estado oculto representa las dimensiones del tensor pasamos la fase de abrazamiento de saludo de entrada, la última forma de salida de estado oculto representa las . Para este ejemplo, la forma que normalmente verías es la siguiente. Aquí, uno es visible. Es el tamaño del murciélago ya que hay una frase de entrada. Siete es la longitud de la secuencia. Esto corresponde a la versión tokenizada de la fase hola abrazando incluyendo Eso significa la siguiente fase de hola abrazando. 768 es el tamaño oculto. Cada ficha se representa como un estándar vectorial de 768 dimensiones para la arquitectura base de aves. De esta manera, chicos, podemos descargar fácilmente un modelo usando la biblioteca transformers con Google Colab 10. Análisis de sentimientos con la herramienta Hugging Face: En esta lección, aprenderemos a implementar el análisis de sentimientos con Cara abrazada Entenderemos qué es el análisis de sentimiento con su tipo Después de eso, ejecutaremos un ejemplo de codificación en Google Colab. Veamos así ya discutimos la biblioteca de transformadores proporcionada por Hugging Face Es una herramienta poderosa para tareas como el análisis de sentimientos. Ahora, ¿qué es el análisis de sentimientos? Como su nombre indica, incluye determinar el sentimiento expresado en un trozo de texto, como, negativo o neutro Entonces digamos que me encanta el cricket, entonces esta es una frase positiva. Bien, algo no me gusta, voy a golpear algo, así que ese es un sentimiento negativo Del mismo modo, cuando explique los tipos de análisis de sentimientos, las cosas quedarán los tipos de análisis de sentimientos, más claras El primero es la detección de polaridad que es positiva, negativa o neutra. Me encanta este producto es positivo, obviamente. El servicio es terrible, no es bueno, es negativo. Y cuando las cosas no estén claras, será neutral, como el paquete llegó a tiempo. A continuación viene la detección de emociones. Digamos que dijiste, Esto no es bueno, esto es patético. Esto es muy frustrante. Eso es ira. Y la alegría se expresa con una frase como si me emocionaran los resultados Por lo que la detección de emociones incluye felicidad, frustración y otras emociones. Luego viene el análisis de sentimiento basado en aspectos, como el sentimiento hacia un producto o servicio específico Como si la comida fuera genial, pero el servicio fue lento. En este caso, la comida está teniendo un sentimiento positivo, obviamente Pero como el servicio no era bueno, es un sentimiento negativo Entonces el análisis de intención, como la intención de comprar algo para quejarse. Digamos que dijiste, ¿ podemos comprar este producto? Entonces esa es una intención de compra. Entonces estos fueron los tipos de análisis de sentimientos. Ahora, veamos el ejemplo de codificación. En esto, utilizaremos un modelo público. Entonces no vamos a estar creando un exceso de token porque para los modelos públicos, como ya dije, no lo necesitamos. Ejecutaremos el código en Gool Colab. Por eficiencia, también podemos cambiar el tiempo de ejecución en Google Collab, así que también te voy a mostrar eso con el ejemplo Empecemos Aquí está nuestro Google Colab. Bien, déjame abrir el código, archivo, cuaderno abierto. Ya creé el proyecto. Aquí está Análisis de Sentimiento. Aquí está. Entonces, para la eficiencia, podemos cambiar el tipo de tiempo de ejecución. Haga clic en el menú de tiempo de ejecución, aquí haga clic, cambie el tipo de tiempo de ejecución. Bien. Podemos ver que ya seleccionamos la GPU A, no es un problema. Si tu proyecto es bastante complejo o estás teniendo un proyecto a gran escala, puedes seleccionar el V dos guion ocho TPU también Yo me quedaré igual, ¿de acuerdo? Entonces inicialmente aquí, lo que hicimos, primero, instalamos las bibliotecas requeridas, es decir transformadores y antorcha. Bien, usamos el papel. Ya discutimos cómo instalarlo en las lecciones anteriores. Después de eso, lo ejecutamos usando estas corridas en esto importamos los módulos necesarios en esta línea. Aquí cargamos el pipeline de análisis de sentimientos. La función de canalización proporciona una forma sencilla realizar diversas tareas de PNL, incluido el análisis de sentimiento. Puede cargar un modelo de análisis de sentimiento preentrenado de la siguiente manera Entonces aquí, lo que hicimos cargamos el siguiente modelo. Bien. Después de eso, realizamos análisis de sentimiento. Ya que hemos cargado el pipeline de análisis de sentimientos, utilízalo para analizar el sentimiento de un trozo de texto Entonces aquí, me encanta jugar y ver cricket. Este es mi texto, y odio cuando estamos en Collis es un siglo. Entonces, obviamente, puedes adivinar que esta es una oración positiva, y esta es una oración negativa. Se puede adivinar fácilmente. Entonces este es el análisis del sentimiento. Aquí la salida que puedes ver es una lista de diccionarios. Aquí está aquí cada diccionario contiene la etiqueta de sentimiento y la confianza se Aquí está la etiqueta y el núcleo de confianza. Entonces aquí hemos analizado múltiples textos a la vez pasando una lista de picaduras al analizador de sentimientos. Ahora entendamos completamente la salida. La puntuación en la salida de la tubería de análisis de sentimiento de fase abrazadora representa el nivel de confianza o probabilidad que el modelo asigna a la etiqueta de sentimiento predictivo Indica cuán seguro es el modelo de que el texto dado corresponde al sentimiento predictivo El puntaje es un valor 0-1. Como puedes ver, el puntaje más cercano a uno significa que el modelo tiene mucha confianza en su predicción. Si el puntaje estuviera más cerca de cero, eso significaría que el modelo tiene menos confianza en su predicción. La etiqueta positiva indica que el modelo predice que el sentimiento del texto es positivo. Eso es lo siguiente. Lo negativo significa lo contrario, es decir negativo. Aquí está. Entonces aquí te estarías preguntando por qué el puntaje es tan alto, cercano a uno. Esto se debe a que el modelo que estamos utilizando se ha ajustado en un conjunto de datos grande y es altamente preciso para la tarea de análisis de sentimientos El texto de entrada probablemente contenga un lenguaje fuerte y inequívoco que facilita que el modelo prediga el sentimiento con alta confianza, como comió significa negativo y amor significa Entonces de esta manera, chicos, podemos trabajar en el análisis de sentimientos con cara abrazada 11. Clasificación de textos con la herramienta Hugging Face: En esta lección, aprenderemos cómo podemos usar la fase de abrazamiento para la clasificación de textos Primero, entenderemos qué es la clasificación de textos. Con eso, también veremos la diferencia entre el análisis de sentimientos y la clasificación de textos Después de eso, crearemos y ejecutaremos un ejemplo en Google Colab. Empecemos. La clasificación de texto, como su nombre indica, puede ser utilizada para la detección de spam. Entonces en tu ID de correo electrónico, debes haber visto que algunos correos van a Spam, algunos correos no son considerados como spam. De manera similar, también se pueden clasificar artículos de noticias o documentos como artículos deportivos bajo la categoría de deportes, un artículo relacionado con la tecnología bajo la categoría de tecnología Y con eso, también incluye un caso de uso para la detección de intenciones, como cancelar un pedido, reservar un vuelo, y otros. Entonces veamos hasta ahora, hemos cubierto el análisis del sentimiento. Entonces aquí está la diferencia entre análisis de sentimientos y la clasificación del texto Como su nombre indica, los análisis de sentimientos son estrechos. Eso es específico del sentimiento. Digamos sentimiento positivo por un texto como me encanta Cricket De manera similar, las etiquetas para la clasificación de textos dependen de la tarea como acabo discutir sobre spam o no spam o diferentes temas. Con eso, para el análisis de sentimientos, discutimos antes de que sea principalmente positivo, negativo o neutral Algunos casos de uso incluyen clasificar correo electrónico como spam o no spam bajo clasificación de texto Bajo el análisis de sentimiento, uno de los casos de uso puede ser una revisión positiva del producto Ahora, veamos un ejemplo de codificación donde detectaremos spam o no spam basado en un texto. Utilizaremos un modelo disponible públicamente que es el siguiente. Así que no vamos a necesitar ningún exceso de ficha de Hugging face para esto Entonces veamos el ejemplo y clasifiquemos el texto como spam o no Spam Aquí está nuestro Google Colab. Creamos estos cuadernos hasta ahora. Abramos nuestro cuaderno de clasificación de texto , libreta abierta. Aquí está. Ya lo creamos. Veamos los pasos. Primero, instalaremos las bibliotecas requeridas. Eso es para comenzar con la biblioteca Transformers de cara abrazada así como la biblioteca de antorchas Así que hemos utilizado el comando PIP install para esto. Vamos a continuación. Después de eso, importaremos los módulos necesarios. Aquí hemos importado el módulo de tubería. Entonces hemos cargado un modelo de detección de spam pre entrenado que es el siguiente aquí. Está disponible gratuitamente. Por lo que no aplicamos ninguna llave para ello de abrazar la cara. Ahora el siguiente paso incluye realizar la detección de spam. Primero, hemos establecido varios textos para que podamos detectar si estos textos son spam o no spam. Hemos clasificado varios textos a la vez pasando una lista de cadenas. Aquí está. mapeado las etiquetas a spam y no a Spam aquí. Aquí está el mapeo de etiquetas. Negativo significa spam, neutral significa no spam, positivo significa no spam. Bien. Para mostrar los resultados, hemos utilizado los cuatro en bucle. Aquí está. ¿Qué va a pasar? Una partitura será visible en la salida. Bien. La salida también incluirá la etiqueta, ya sea que eso le lleve un spam o no spam. Con eso, el marcador también será visible. Estos son los puntajes de confianza. Aquí es así según nuestro modelo, el primer texto es un spam. Obviamente, porque está mostrando felicitaciones. Tenemos una tarjeta de regalo de Amazon de 500 INR, haz clic aquí para reclamar ahora. El segundo no es un Spam. Obviamente, hier Mito. Tengamos una reunión mañana a las 12:00 P.M Entonces obviamente, esto no es un spam. El último también es considerado como spam. Recibimos muchos de esos correos electrónicos no deseados que su cuenta de Gmail se ha visto comprometida. Aquí, el intervalo de confianza está mostrando la puntuación. Los puntajes de confianza bajos indican que el modelo es incierto sobre sus predicciones. El siguiente modelo está ajustado para el análisis de sentimientos, pero no específicamente para la detección de spam Todavía lo estamos adaptando para la detección de spam. Bien. Por eso aquí está mostrando no spam, pero el puntaje de confianza es incluso inferior a 0.7. Te dije que los puntajes bajos de confianza indican que el modelo es incierto sobre sus predicciones. puedes establecer un modelo diferente Aquí puedes establecer un modelo diferente a partir de la fase de abrazo Aquí estamos mostrando un ejemplo. Entonces de esta manera, podemos usar la biblioteca transformers en cara abrazando para detectar Spam Es decir, para realizar la clasificación de textos. 12. Resúmenes de texto con la herramienta Hugging Face: En esta lección, entenderemos cómo realizar resúmenes usando abrazar Primero, entenderemos por qué necesitamos resumir, y luego veremos un ejemplo de codificación en Google Colab para resumir texto. Empecemos. La biblioteca de transformadores de fase abrazadora, como ya sabrás, se utiliza para la tarea de PNL Eso incluye también resumir texto. Entonces, ¿por qué resumir? El resumen se usa realmente en muchas aplicaciones del mundo real Debes haber visto resumir artículos largos en fragmentos cortos con eso resumiendo documentos Los chatbots también proporcionan respuestas rápidas y concisas. Con eso, puede extraer puntos clave y resúmenes de un documento y también de grandes conjuntos de Ahora veamos un ejemplo. Aquí utilizaremos el siguiente modelo, que está disponible públicamente en Abrazando cara Entonces no necesitamos agregar el token sobrante. Bien, vamos a ejecutar el código en Google Colab como vimos antes Entonces veamos el código. Entonces aquí está nuestro Google Colab Abriremos nuestro archivo de código, abriremos cuaderno. Entonces aquí estamos discutiendo sobre el resumen. Aquí está nuestro código. Primero, lo que hicimos, instalamos las bibliotecas requeridas. Así que hemos instalado los transformadores así como la biblioteca Pytoch aquí usando el comando PIP space install Ya discutimos antes este comando. Después de eso, usaremos Atomdel para secuencia a secuencia LM y tokenizador automático para mayor control sobre el proceso para que podamos cargar el modelo y el Entonces esto es lo que hemos hecho aquí. Aquí hemos cargado el siguiente modelo pre entrenado para su resumen Entonces aquí hemos configurado el texto de entrada para resumir. Entonces este es nuestro texto. Vamos a resumir esto Primero, tenemos tokenizar el texto de entrada usando lo siguiente Bien, entonces aquí puedes ver algunos parámetros. Estos parámetros controlarán la longitud y calidad de los resúmenes longitud máxima del guión bajo es el número máximo de fichas en el resumen Hemos establecido 512, por lo que aquí el resumen no será superior a 512 tokens. Tenemos tokenizar el texto de entrada aquí. Para generar el resumen, hemos utilizado el método generate. Aquí tenemos algunos parámetros para la entrada, los siguientes, tokenizados Después la longitud máxima, que es el número máximo de fichas en el resumen. Este es el número mínimo de fichas en el resumen. underscoe de longitud. ¿Qué es esto? Esto fomenta resúmenes más largos o cortos. Aquí hay dos, eso significa resúmenes más largos. Num underscoe vigas controla el ancho de búsqueda del haz, valores más altos, mejoran la calidad, pero ralentizan Aquí lo hemos establecido en cuatro. Eso significa cuatro haces para decodificar. Bien, entonces aquí estaba nuestro aporte, y este es el resumen aquí. Hemos impreso el resumen aquí. Lo hemos resumido. Bien. Entonces de esta manera, chicos, podemos usar la fase de abrazos Entonces de esta manera, chicos, podemos resumir texto fácilmente. 13. Texto a texto (traducción) con la herramienta Hugging Face: En esta lección, entenderemos cómo podemos realizar la traducción usando Hugging Face Eso es generación de texto a texto. Veamos para la tarea de traducción, usaremos la biblioteca de transformadores de fase de abrazo Algunos modelos ya están provistos para esto. Entonces, la traducción, como todos sabemos, incluye, digamos, la traducción del inglés, texto al español Esto es una parte de los modelos de texto a texto que requiere un prefijo de tarea para especificar el tipo de tarea, por ejemplo, traducción, resumen y otros La generación de texto a texto incluye no solo la traducción sino también el resumen, la paráfrasis, la respuesta a preguntas e incluso la clasificación e incluso Entonces veamos la diferencia entre texto a texto y generación de texto. Entonces, la generación de texto se usa para la generación de texto autodgressive donde el modelo genera texto secuencialmente un token a la vez, como sistemas de diálogo, terminaciones de texto La clase de generación de texto a texto se usa para tarea de secuencia a secuencia donde el modelo tomará una secuencia de entrada y generará una secuencia de salida, como su resumen de texto, paráfrasis e incluso traducción Ahora, veamos un ejemplo para realizar traducción usando la biblioteca de Transformers de Fase de Abrazar En este se utilizará un modelo T cinco subrayado Pequeño, cual está disponible públicamente en fase de abrazos Este modelo es una versión más pequeña del modelo T five y puede ser utilizado para tareas como resumen, traducción e incluso quien responde Veamos el ejemplo en Google Colab. Aquí hay un Google Colab. Acabamos ver el ejemplo de resumen de texto Ahora abramos. Ahora, abramos el ejemplo de traducción. Aquí está. Primero instalaremos las bibliotecas requeridas. Eso es lo siguiente aquí. utilizado el comando PIP space install Ya vimos este comando antes. Después de eso, cargaremos un modelo de traducción pre entrenado. Es decir aquí hemos cargado el modelo T five. Se trata de un modelo versátil de texto a texto. Eso puede manejar la traducción prefijando la entrada con un prompt específico de la tarea Entonces estamos cargando un modelo T five. Aquí. Aquí hemos preparado el texto de entrada. Entonces este es el texto que traduciremos, traduciremos del inglés al español. Ese es el siguiente texto que vamos a conseguir traducidos. Tokenize el texto de entrada en ID de entrada que el modelo puede procesar Utilice el modelo para generar el texto traducido. Se puede personalizar el proceso de generación con parámetros como la longitud máxima, Nam underscoe vigas que vimos en la lección anterior también Aquí los tokens de salida serán decodificados a texto, y después de eso, imprimiremos el texto traducido. Entonces aquí está la salida, texto traducido. Mi nombre es Amed Devan y me encanta el cricket. Por lo que aquí se traduce al español. Entonces de esta manera, chicos, podemos realizar la traducción. 14. Cómo responder preguntas usando abrazar la cara: En esta lección, entenderemos cómo usar la fase de abrazos para responder a quien También veremos un ejemplo. Empecemos. Por lo que usaremos la biblioteca de transformadores de fase de abrazo para realizar la tarea de respuesta de Quotien Ejecutaremos el código en Google Colab. Entonces aquí usaremos el siguiente modelo, que está disponible públicamente en fase de abrazo, por lo que no necesitamos crear un token en exceso para esto Veamos el ejemplo en Google Colab. Entonces aquí abriremos nuestro código. Primero, instalaremos las bibliotecas requeridas que hemos mostrado. Hemos utilizado el mismo comando PIP install que vimos antes para instalar las bibliotecas requeridas Después de eso, cargaremos un modelo de QA preentrenado y tokenizer Aquí está nuestro modelo y el tokenizer. Preparar la entrada para la tarea de QA. Eso es para la tarea de responder al cociente. Necesitamos un contexto así como un cociente. ¿Cuál es el contexto ahora? Se trata un párrafo o texto donde se puede encontrar la respuesta. Eso es lo siguiente. Estoy aportando un contexto también, y aquí está el quoti Entonces esto es sobre mí, y aquí está la, la pregunta que quieres responder. Bien. Entonces hemos dicho ambos. Después de eso, tokenizaremos la entrada, tokenizaremos el contexto y cotizaremos usando el tokenizador . Nosotros hemos hecho ambas cosas. Obtener la predicción del modelo, pasar la entrada tokenizada al modelo para obtener la respuesta. Eso es lo siguiente. También extraerá los puntajes de inicio y fin. Obtendré las posiciones de inicio y finalización más probables aquí y usará las mismas para convertir los identificadores de token de nuevo en palabras para que la respuesta se muestre aquí. se establecerán fichas de respuesta y disco Aquí se establecerán fichas de respuesta y disco y se decodificarán de nuevo hacia. Esto tendrá tu salida. Entonces aquí fue el cociente donde se basa en medio del onean. El contexto fue el siguiente, y la respuesta es deli Así que de esta manera, chicos, podemos realizar contestando con facilidad. 15. Texto a imagen con la herramienta Hugging Face: En esta lección, entenderemos cómo podemos realizar texto a imagen usando abrazar la cara Entendamos con un ejemplo, así que aquí usaremos la biblioteca de difusores Hugging Face En este ejemplo se utilizará también el modelo de difusión estable, que es uno de los modelos de imagen de texto más populares disponibles en la biblioteca de difusores. Ahora bien, ¿qué es la biblioteca de difusores y la difusión estable? La biblioteca de difusores es una biblioteca Python de código abierto para enfocarse en modelos de difusión para generar imágenes, audio y otros tipos de datos Se trata de una clase de modelos generativos solo desarrollados por Hugging ¿Qué es la difusión estable? Se trata de un modelo de difusión latente diseñado para la generación de imágenes de alta calidad Para que puedas generar imágenes a partir de proms de texto usando esto. También es uno de los modelos generativos más populares. Veamos el ejemplo. Aquí usaremos un modelo disponible públicamente en huggingface Veamos el ejemplo y convertiremos texto a imagen. La salida se generará como una imagen en el propio Google Colab Entonces, veamos. Aquí está nuestro Google Colab Abramos nuestro cuaderno para texto a imagen. Aquí está. Primero, instalaremos las librerías requeridas usando el mismo comando pip install que ya comentamos Entonces ahora vamos a cargar la tubería de difusión estable. La biblioteca de difusores proporciona una canalización de difusión estable que facilita la generación de imágenes a partir de mensajes de texto Cargaremos el modelo de difusión estable aquí. Ahora genere una imagen a partir de un prompt de texto, genere fácilmente una imagen pasando un baile de graduación de texto a la tubería. Aquí está nuestro aviso. Los autos voladores se elevan sobre un paisaje urbano futurista al atardecer. A continuación se generará la imagen. Bien. Aquí está nuestra imagen. Esta imagen se guardará en Google Colab solo usando el mismo método, y también se imprimirá imagen guardada como generada guión bajo imagen punto PNG generará el archivo PNG, donde será visible en Google Colab, da clic aquí Se pueden ver los archivos. Ahora, yo lo ejecutaré. Yo lo ejecutaré. Voy a ejecutar esto ahora. Ahora, estoy corriendo para generar una imagen y guardarla. Bien, entonces aquí está nuestra imagen. Está escrito. Imagen guardada como generada Subrayado imagen punto PNG. Bien, entonces lo generó. Voy a ir aquí desde aquí. Se puede descargar. También puedes copiar la ruta. Haré clic en Descargar. Se descargó. Bien, aquí está. Entonces generamos una imagen que es texto a imagen. 16. Texto a video con la herramienta Hugging Face: En esta lección, entenderemos cómo realizar texto a video usando instando a la cara. A esto se le llama síntesis de texto a video. Entenderemos de qué se trata, y también vamos a ejecutar un ejemplo de muestra. Así que comencemos Texto a video incluye generar video a partir de descripciones textuales como escribir un texto y generar un video Como vimos en la lección anterior, texto a imagen, escribimos un texto y generamos una imagen En este caso, generaremos un video. Por lo que tenemos una gran cantidad de modelos y herramientas pre entrenados para generar videos. La cara de abrazo proporciona los mismos modelos. El texto a video síntesis Tom le acabo incluye generar una secuencia de fotogramas basada en una descripción textual Dado que es una tarea compleja, requiere combinar diferentes modelos de PNL con modelos generativos o incluso modelos de difusión Bien, modelos de difusión que vimos en la lección anterior, se utiliza para generar imágenes o videos. Veamos algunos frameworks de generación de video antes de avanzar hacia el ejemplo. Una de las más populares son la pasarela ML. Ofrece herramientas para la generación y edición de video. Principalmente para unos videos generados, se puede utilizar laboratorios PIA. Con ese perceptor mental profundo IO también se puede usar para manejar entradas multimodales La entrada multimodal puede incluir imágenes de texto e incluso videos. Necesitas usar la biblioteca como Pitch o flujo tensor para que puedas construir canalizaciones para generar fotogramas de video Veamos un ejemplo. Entonces aquí usaremos también la biblioteca difusora Ya discutimos la biblioteca de difusores. Es una biblioteca de código abierto desarrollada por Hugging Face y utilizada para generar imágenes e incluso videos Utilizaremos el modelo de división estable disponible públicamente. En nuestro ejemplo, ejecutaremos el código en Google Colab como vimos antes Empecemos. Aquí hay una colaboración de Google Abramos nuestro código, archivo, cuaderno abierto. Abriremos nuestro cuaderno para texto a video. Escribiré video solo para buscar. Aquí está. Primero, instalaremos. Entonces aquí hemos utilizado el comando pip install para instalar los transformadores, así como la biblioteca de difusores también con Después de eso, cargaremos un texto a Modelo de imagen, así que aquí lo estamos cargando. Este es el modelo que ya te dije. Hemos utilizado la biblioteca de difusores para cargar un texto pre entrenado al modelo de imagen como difusión estable Generar marcos a partir del texto primero, hemos establecido el baile de graduación. Aquí, generaremos marcos individuales basados en la descripción del texto. Esta es la descripción de texto, un paisaje urbano futurista de noche con Esto generará diez fotogramas utilizando el bucle foráneo. Aquí son diez, y se añadirá. Posteriormente, hemos utilizado la biblioteca OpenCV para bosquejar los fotogramas en un video Aquí estamos usando el OpenCV dentro del bucle foráneo para que podamos coserlo También hemos utilizado la biblioteca NumPI. Estamos usando la matriz Numpl en ella. Por lo que esto guardará fotogramas como imágenes. Y esto coserá los fotogramas en videos, y lo siguiente mostrará la salida, que está reuniendo los fotogramas usando el bucle foráneo. Y la salida se mostrará así en forma de fotogramas. Entonces aquí cuando corra, me mostrará diez fotogramas porque aquí estamos generando diez fotogramas. Y después de ese int end, se mostrará el video. Entonces aquí está la salida, el video de salida tendrá el siguiente nombre salida subrayado video punto mp cuatro, pero también generará fotogramas. ¿Cuántos marcos? Diez marcos. El formato del fotograma será el siguiente fotograma subrayado el valor de I. Así que los fotogramas serían como fotograma subrayado cero punto PNG, fotograma subrayado un punto PNG, e irá hasta Eso significa diez fotogramas. Y la salida estará aquí, ya le dije. Ahora vamos a ejecutarlo. A Ahora vamos a dar click aquí. Y aquí puedes ver te dije que va a generar diez fotogramas. Marco subrayado cero punto png hasta nueve y salida de video estará aquí Entonces esta fue la salida. Simplemente voy a hacer clic aquí y hacer clic en Descargar. Descárgalo. Haga clic derecho y abra. Aquí está nuestro video. Bien, se pueden ver diez fotogramas. Entonces de esta manera, chicos, podemos generar video a partir de texto con cara abrazada Gracias por ver el video.