Cours sur les visages étendus pour les débutants

1. À propos du cours: Dans ce cours vidéo, découvrez la phase d'étreinte et ses concepts Hugging Face est une entreprise et une communauté open source qui se concentre sur le traitement du langage naturel et l'intelligence artificielle Il est surtout connu pour sa bibliothèque de transformateurs, qui fournit des outils et des modèles pré-entraînés pour un large éventail de tâches de traitement automatique, telles que la classification de textes, analyse des sentiments, la traduction automatique, etc. Dans ce cours, nous avons abordé les leçons suivantes à l'aide d'exemples de course en direct. Commençons par la première leçon. 2. Visage étreint : introduction et caractéristiques: Dans cette leçon, nous allons apprendre ce qu'est un visage étreint. Avec cela, nous allons également comprendre les fonctionnalités. Commençons. Hugging Face est une entreprise largement connue et communauté open source qui se concentre sur le NLP, c' est-à-dire le traitement du langage naturel Il met également l'accent sur l'intelligence artificielle. Hugging Face est surtout connu pour sa bibliothèque de transformateurs qui fournit des outils et des modèles pré-entraînés Ainsi, un large éventail de tâches de PNL telles que l'analyse des sentiments, traduction automatique, le résumé de texte peuvent être effectuées Les bibliothèques de visages les plus utilisées sont les transformateurs, les ensembles de données et les tokeniseurs Voyons les fonctionnalités. Il comprend de nombreuses bibliothèques. L'une des bibliothèques clés est celle des transformateurs. Cela inclut les modèles pré-entraînés tels que BT. Hugging Face inclut également le Model Hub. Il s'agit d'une plate-forme sur laquelle les utilisateurs peuvent partager et télécharger des modèles préentraînés. Grâce à cela, les utilisateurs peuvent également télécharger des ensembles de données et d'autres ressources Hugging Face inclut également une bibliothèque pour divers ensembles de données La bibliothèque s'appelle Datasets Library et est utilisée pour les tâches NLP Hugging Face dispose également d' une plateforme d' hébergement et de partage de démos et d'applications d'apprentissage automatique , appelée spaces Grâce à cela, Hugging Face vous permet de déployer et d'utiliser facilement modèles dans des environnements de production. Hugging Face bénéficie d'une communauté et d'une collaboration solides C'est une communauté de développeurs, amoureux de l'IA qui contribuent à l'écosystème. Voyons quelques-uns des modèles populaires sur Hugging Face. L'oiseau largement utilisé il est utilisé pour comprendre le contexte des mots dans une phrase. Sa forme complète est constituée de représentations d' encodeurs bidirectionnels à partir de transformateurs partir de Il s'agit d'un puissant framework d'apprentissage automatique open source développé par Google pour le NLP Il excelle dans la compréhension du contexte des mots et des phrases en analysant les relations entre eux manière bidirectionnelle, ce qui permet aux ordinateurs de mieux comprendre le sens d'un ce qui permet aux ordinateurs de mieux langage ambigu Il inclut également PT, un transformateur génératif pré-entraîné, ainsi qu' transformateur génératif pré-entraîné, ainsi transformateur de texte en texte avec ce robot qui est une approche robotique robuste et optimisée Robota est un modèle de langage basé sur un transformateur qui utilise l'attention personnelle pour analyser les séquences d'entrée Robota applique un masquage dynamique lorsque le modèle de masquage Il offre des performances améliorées sur diverses tâches de PNL. Vous pouvez donc également associer BT à Robota. Sachez que l'objectif principal du modèle Robota est d'améliorer les performances du modèle de bord en remédiant à ses limites Ce sont les modèles populaires de la phase d'étreinte. Dans cette leçon, nous avons vu ce qu'est la phase d'étreinte, ses fonctionnalités d'introduction et certains modèles populaires Merci d'avoir regardé la vidéo. 3. Visage étreint - Cas d'utilisation: Dans cette leçon, nous allons comprendre les cas d'utilisation de la phase d'étreinte Hugging Face prend en charge un large éventail de cas d'utilisation dans les domaines de la PNL, vision par ordinateur et même des applications multimodales Voyons les cas d'utilisation. La phase d'étreinte est largement utilisée. Nous avons discuté de certains cas d'utilisation clés ici, commencer par l'IE conversationnelle, que vous connaissez déjà, à savoir chatbds D'accord, créez des forums de discussion intelligents en utilisant des modèles tels que GPT, Blender board, etc. Ces forums de discussion peuvent être utilisés pour le support client, comme l'assistance virtuelle Cela vous permet également de créer des systèmes de dialogue interactifs. Ils peuvent être utilisés comme assistance pédagogique ainsi que comme conseils thérapeutiques. Vient ensuite l'analyse des sentiments, comme son nom l'indique. Comme son nom l'indique, vous pouvez facilement analyser les commentaires des clients , leurs publications sur les réseaux sociaux ou les réponses à un sondage afin déterminer le sentiment qu'il est positif, négatif ou neutre. Avec cela, générez facilement du texte, des articles, des blogs et même des poèmes à l'aide de modèles tels que GPT Les citations peuvent également être facilement générées, générer des extraits de code dans n'importe quel langage de programmation Cela permet de générer du contenu, notamment des descriptions de produits, des critiques, des plans marketing, etc. Vient ensuite le résumé du texte. Si vous voulez résumer votre texte, disons que vous voulez résumer les actualités, vous pouvez facilement le faire. Supposons que vous ayez des documents PDF et que vous souhaitiez simplement les résumer. Ces longs documents peuvent être facilement résumés en points importants. Avec cela, vous pouvez également prendre des notes de réunion. Vient ensuite la reconnaissance de votre entité nommée, permet d'extraire facilement les noms, les compétences et l'expérience des CV Il est également utile dans le domaine de la santé pour identifier le diagnostic, le nom des patients, certains termes médicaux et d'autres. Avec cela, vous pouvez également extraire le nom des entreprises mode de fonctionnement à partir de leurs rapports financiers. Par conséquent, il est également utilisé dans le domaine de la finance. traduction automatique, comme son nom l'indique, vous pouvez traduire votre site Web, votre application et même des documents d'une langue à l'autre, disons de l' anglais vers l'espagnol. Il peut également être utilisé dans des langues à faibles ressources. C' est pour la traduction. cas d'utilisation de la réponse aux questions est principalement utile pour le support client. Grâce à cela, répondez facilement aux questions posées par les étudiants sur la base d'un manuel ou de notes spécifiques Il est facile de répondre aux questions fréquentes et lorsque j'ai parlé de support client, cela signifie en soi que nous avons vu des tickets d' assistance sur des sites Web afin que les utilisateurs puissent facilement poser des questions. Vous pouvez ainsi facilement récupérer des réponses à partir de documents ou de bases de données volumineux. Utilisez-le également pour la reconnaissance vocale et la synthèse. Vous pouvez également convertir la parole en texte, créer des applications de commande vocale à l'aide modèles de synthèse vocale et de synthèse vocale. Vous pouvez également fournir des sous-titres en temps réel, générer des descriptions pour les images Supposons que vous ayez numérisé un document ou des images et que vous souhaitiez en extraire du texte, vous pouvez facilement y parvenir. De plus, si vous souhaitez lire ou numériser des images, cela peut également être réalisé. Cela signifie une réponse visuelle. Viennent ensuite vos systèmes de recommandation. Vous devez l'avoir vu sur Netflix ou Amazon Prime. Recommandez facilement des films ou des séries Web en utilisant ce que les utilisateurs aiment réellement sur leur compte. Avec ce NAS, les résultats de recherche reposent sur la compréhension de l'intention des utilisateurs et de leur contexte. Détectez également facilement les fraudes. En ce qui concerne les e-mails, détectez et filtrez facilement les e-mails de Sam, la santé mentale peut également être surveillée à l'aide d'un modèle, analyser facilement le texte ou le discours afin de détecter les émotions, telles que le stress, l'anxiété ou même la dépression. Vous pouvez ainsi comprendre les émotions des clients lors des appels d'assistance ou même du chat. synthèse vocale et la synthèse vocale peuvent également être réalisées et les traductions en temps réel peuvent être facilement effectuées. Les applications multimodales analysent facilement le contenu vidéo. Avec les applications multimodales, vous pouvez facilement analyser, pas même du texte, mais également de la vidéo et de l'audio Les applications de réalité augmentée peuvent également être conçues pour générer facilement des données textuelles synthétiques pour la formation et les modèles d'apprentissage automatique. Vous pouvez également paraphraser le texte, identifier les relations entre les entités du texte, évaluer facilement les essais ou les devoirs des étudiants, créer des outils de correction grammaticale, de vocabulaire, de reformulation du contenu Utilisation dans les soins de santé et les sciences de la vie. À partir du dossier médical d'un patient, vous pouvez facilement extraire les informations. À partir des documents juridiques, extrayez facilement les clauses clés, obligations ou les risques éventuels. Avec cela, vous pouvez également créer des récits basés sur l' IA pour les jeux Analysez facilement les réseaux sociaux afin d'identifier les sujets tendances ou même les hashtags Analysez également l'impact du post effectué par des influences. Des applications multilingues peuvent également être créées afin que vous puissiez activer la recherche dans plusieurs langues. discours de haine et les contenus préjudiciables sont des sujets sur lesquels il faut travailler. Ainsi, vous pouvez facilement les détecter et les modérer. Prédisez facilement les tendances du marché boursier en analysant les articles de presse, les sentiments sur les réseaux sociaux, les publications sur Twitter, etc. Prédisez des événements tels que le lancement d'un produit, contenu d'e-mail personnalisé pour les campagnes marketing, personnalisez le contenu d'un site Web ou d'une application en fonction des préférences et du comportement des utilisateurs. Ajustez les modèles pré-entraînés pour votre tâche spécifique. Vous pouvez également comparer les performances de différents modèles sur des ensembles de données personnalisés. Donc, les gars, nous avons vu certains des meilleurs cas d'utilisation de la phase de câlin Dans les prochaines leçons, nous mettrons en œuvre certaines d'entre elles. 4. Bibliothèque de transformers en caresses: Dans cette leçon, nous allons comprendre la bibliothèque des transformateurs en phase d'étreinte. Nous allons également apprendre comment l'installer. Voyons voir. La bibliothèque Transformers est la bibliothèque de base pour les modèles et les pipelines préentraînés Il s'agit d'une bibliothèque Python open source. Comme je l'ai déjà dit, Hugging Phase a développé la bibliothèque de transformateurs, est modulaire et extensible Il inclut des milliers de modèles pré-entraînés pour un large éventail de tâches de PNL telles que la traduction, le résumé de texte, la classification de textes, etc. Dans cette leçon, nous allons donc comprendre ce qu' est la bibliothèque Transformers, pourquoi utiliser la bibliothèque Transformers, cas d'utilisation et comment l'installer Commençons. Nous avons donc déjà vu quelle est la bibliothèque des transformateurs ici Nous allons maintenant voir pourquoi utiliser la bibliothèque Transformers. La bibliothèque Transformers est largement utilisée car elle est assez simple à utiliser avec des modèles NLP complexes Il vous donne accès à des modèles de pointe. Il est ainsi soutenu par une communauté nombreuse et active. Il prend en charge la personnalisation et le réglage fin. Vous pouvez ainsi intégrer la bibliothèque de transformateurs à d'autres outils Voici quelques cas d'utilisation de la bibliothèque Transformers, classer les textes en catégories, comme la classification de texte en cas de détection de spam dans les e-mails Identifiez également les entités telles que les noms, les dates et les lieux dans le texte, ce que l'on appelle la reconnaissance d' entités nommées. Traduisez des textes entre différentes langues, de l'anglais à l' allemand, en générant du texte à l'aide de modèles tels que GPT Implémentez également la réponse par quotien. Il s'agit de répondre en fonction d'un contexte donné. Voyons comment installer la bibliothèque Transformers. Voici donc différentes méthodes. Utilisez PIP pour installer la bibliothèque de transformateurs. PIP est un gestionnaire de packages permettant de télécharger, installer et de gérer des packages et des bibliothèques Python Avec cela, vous pouvez également utiliser Google Colab. Vous trouverez ici quelques différences de syntaxe. Il y a un signe d'exclamation si vous l'installez sur Google Colab Avec cela, vous pouvez également installer la bibliothèque Transformers directement depuis le dépôt Github de Hugging Phase Voyons donc comment l'installer. Nous utiliserons Google Colab pour cela. Nous allons ajouter la commande suivante. Voyons voir. Voici notre navigateur, je vais taper Google Colab et appuyer sur Entrée Voici le lien fourni par Google uniquement colab.research.google.com Ici, vous pouvez voir que je suis déjà connecté à mon compte Gmail, il s'ouvrira donc directement. J'ai cliqué dessus, il me demande donc de créer un nouveau carnet ici Voici mes carnets de notes déjà créés. Je vais cliquer sur Nouveau bloc-notes. Il s'agit donc d'une application Web gratuite. Nous allons donc maintenant utiliser la même commande ici pour l'installer. Je vais vous le montrer à nouveau. Voici la commande. OK, tapons la même commande. OK, PIP Space installe des transformateurs spatiaux. Ensuite, pour ce que nous devons faire, il suffit de cliquer dessus. C'est écrit « run here ». Pouvez-vous voir des runs Ok, donc de cette façon, nous pouvons installer la bibliothèque Transformers à l' aide de Google Colab Vous pouvez ajouter le nom de votre bloc-notes Python ici. Cela a donc créé un bloc-notes Python. Si vous connaissez Anaconda, vous pouvez facilement deviner ce qu'est un bloc-notes Python Enregistrez-le d'ici et renommez-le plus tard. Je viens donc d'implémenter cette syntaxe pour installer la bibliothèque Transformers Dans cette leçon, nous avons vu ce qu' est la bibliothèque Transformers. Nous avons également vu pourquoi il est si populaire auprès de cela, nous avons également vu quelques cas d' utilisation et comment l'installer. 5. Bibliothèque de jeux de données de visages étirés: Dans cette leçon, nous allons comprendre la bibliothèque de jeux de données lors de la phase d'étreinte Avec cela, nous verrons également comment l'installer. Commençons. La bibliothèque de jeux de données permet d'accéder facilement à une grande variété d'ensembles de données pour NLP et d'autres tâches d'apprentissage automatique Il est développé par Hugging Face et est une bibliothèque Python. Il permet aux développeurs et aux chercheurs de travailler plus facilement et aux chercheurs de travailler avec les données pour la formation et l'évaluation des modèles. Dans cette leçon, nous verrons ce qu' est la bibliothèque de jeux de données et pourquoi l'utiliser Utilisez donc des cas de bibliothèque de jeux de données pour l'installer Commençons. Nous avons déjà expliqué ce qu'est la bibliothèque de jeux de données Commençons donc par les raisons d' utiliser la bibliothèque de jeux de données. L'une des raisons est que l'efficacité, le chargement différé et le streaming facilitent le travail avec de grands ensembles Les ensembles de données peuvent être énormes, et nous avons toujours besoin d'une bibliothèque ou d'une technologie pour faciliter l'accès à ces ensembles de données et Cette bibliothèque est donc vraiment utile. Il dispose d'une API unifiée pour le traitement des ensembles de données. Vous pouvez également utiliser la bibliothèque Transformers et d'autres frameworks ML avec la bibliothèque de jeux de données afin l'intégration et l'interopérabilité Des milliers de jeux de données sont fournis par Huggingfas. Il prend en charge les ensembles de données personnalisés et les pipelines de prétraitement. Donc, avant d'installer la bibliothèque de jeux de données, laissez-moi vous montrer son site Web Voici donc le lien huggface.co, site officiel des ensembles de données Huggingface Vous pouvez donc voir combien de jeux de données sont fournis sur 350 K, et le voici Si vous cliquez sur l'un d'entre eux, vous pouvez obtenir tous les détails. Dans ce didacticiel, nous vous montrerons également comment télécharger et accéder facilement à un ensemble de données à l'aide de Huggingface Je parlerai plus tard des cas d'utilisation ou de la bibliothèque de jeux de données qui permet de charger et de prétraiter facilement des ensembles de données pour des tâches telles que Cela relève de la classification du texte. Avec cela, vous pouvez également travailler avec l'analyse des sentiments et la réponse par quotiens Grâce à cela, vous pouvez facilement créer des systèmes de réponse par quotiens Certains ensembles de données sont également fournis à des fins de traduction avec ce nom. L'objectif de reconnaissance des entités peut également être rempli avec certains ensembles de données déjà fournis par Hugging Face Chargez et prétraitez vos ensembles de données personnalisés l'aide de la bibliothèque de jeux de données Voyons maintenant comment installer la bibliothèque de jeux de données. Vous pouvez donc utiliser le gestionnaire de packages PIP PPA pour télécharger, installer et gérer des packages et des bibliothèques Python Il suffit d'utiliser la commande PIP Space install space datasets. Avec cela, vous pouvez également utiliser facilement Google Colab. Mais il y a une différence entre les deux syntaxes. Vous avez un point d'exclamation pour Google Colab. Nous le verrons plus tard. Vous pouvez ainsi le télécharger directement depuis le référentiel HuggfasGitHub en utilisant la syntaxe fournie, les ensembles de données Git plus github.com hugfacelash Tell S pip pour installer le package depuis le référentiel d'ensembles de données Hugging Phase sur Github Git plus github.com hugfacelash Tell S pip pour installer le package depuis le référentiel d'ensembles pip le référentiel HuggfasGitHub en utilisant la syntaxe fournie, les ensembles de données Git plus github.com hugfacelash Tell S pip pour installer le package depuis le référentiel d'ensembles de données Hugging Phase sur Github. Voyons maintenant comment installer la bibliothèque de jeux de données. Nous avons déjà vu Google Colab. Je vais donc simplement utiliser la deuxième syntaxe pour installer la bibliothèque Datasets sur Google Colab C'était donc notre Gold Collab. Nous avons déjà vu comment installer la librairie Transformers. Nous pouvons installer la bibliothèque de jeux de données ici même, mais laissez-moi créer un nouveau bloc-notes, allez dans Fichier Cliquez sur Nouveau bloc-notes. Maintenant, un nouveau bloc-notes Python s'est ouvert. Tapons la commande pour installer des ensembles de données, Pip install PIP space installe des ensembles de données d'espace , et exécutons simplement la Je l'ai déjà montré également. Attendons. Tik Mark est visible. Cela signifie que nous l'avons installé avec succès. Vous pouvez également l'enregistrer à partir d'ici, je vous l'ai dit auparavant, enregistrer également et laissez-nous ajouter le nom à notre bloc-notes Python. Ainsi, les gars, nous pouvons facilement installer la bibliothèque de jeux de données Dans les prochaines leçons, nous verrons également comment les utiliser et leurs cas d'utilisation. Les gars, nous avons vu ce qu'est la bibliothèque de jeux de données. Nous avons facilement compris le concept, ses cas d'utilisation également, et nous avons également vu comment installer la bibliothèque de jeux de données 6. Tokenizers Library of Hugging Face: Dans cette leçon, nous allons comprendre la bibliothèque de tokenizers de la phase d'étreinte Avec cela, nous verrons également comment l'installer. La bibliothèque Tokenizers est une bibliothèque rapide et efficace pour tokeniser du texte, qui est souvent utilisée parallèlement à la bibliothèque qui est souvent utilisée parallèlement Nous avons déjà vu la bibliothèque des transformateurs dans les leçons précédentes La bibliothèque tokenizer est donc une bibliothèque rapide, efficace et flexible conçue pour tokeniser Il s'agit d'une étape cruciale dans le traitement du langage naturel. tokenisation consiste à diviser les textes en unités plus petites telles que des mots, sous-mots ou des caractères, puis celles-ci sont converties en représentations numériques que les modèles ML peuvent traiter Dans cette leçon, nous allons comprendre ce qu'est la bibliothèque du tokenizer, pourquoi l'utiliser, quels sont ses cas d'utilisation, ainsi que comment l'installer Commençons donc, nous avons déjà vu ce qu'est la bibliothèque tokenizers Nous allons donc maintenant voir pourquoi utiliser la bibliothèque tokenizers. Il est assez rapide pour la tokenisation, c'est-à-dire optimisé pour une tokenisation rapide, même Il prend également en charge les tokeniseurs personnalisés et suffisamment flexible pour prendre en charge plusieurs algorithmes de tokenisation L'intégration est possible. Cela signifie que vous pouvez l'utiliser avec d'autres bibliothèques de visages très étreintants, comme Transformers Il dispose d'une API simple pour la tokenisation, décodage et Grâce à cela, vous pouvez facilement accéder à des tokeniseurs pré-entraînés. Voyons maintenant les cas d'utilisation. Unifiez facilement les données textuelles pour classer le texte afin de détecter le spam dans les e-mails Avec cela, vous pouvez également analyser le spam. Effectuez facilement une analyse des sentiments, alignez les jetons sur les étiquettes des entités. Il est également utilisé pour la traduction automatique. Certains de ses autres cas d'utilisation incluent la génération de texte et même la réponse aux questions. Avec cela, entraînez et utilisez des tokeniseurs pour des ensembles de données spécifiques à un domaine Voyons maintenant comment installer la bibliothèque tokenizers. Nous pouvons utiliser le gestionnaire de packages PEP PIP pour télécharger, installer et gérer des packages Python, utiliser l'espace Syntax PIP install tokenizers pour l' installer Avec cela, nous pouvons également utiliser la bibliothèque de tokenizers sur Google Nous avons déjà vu comment installer une bibliothèque sur Google Collab. De même, nous pouvons utiliser le point d'exclamation PIP space install space tokenizers De plus, la troisième méthode vous permet PIP d'installer le package depuis le référentiel des ensembles de données de la phase de câlin Vous pouvez également utiliser la troisième méthode directement installée depuis le dépôt Github, tapez PIP space Install space Git plus le chemin Github pour l'installer plus le chemin Github pour Voyons maintenant comment installer la bibliothèque Tokenizers sur Google Nous allons ouvrir à nouveau Google Colab. Voici donc notre Google Colab. Nous avons déjà installé les transformateurs et la bibliothèque d' ensembles de données. Nous pouvons installer la bibliothèque Tokenizer ici même, mais laissez-moi créer un nouveau bloc-notes Python, GodOfle cliquez sur Nouveau bloc-notes GodOfle Tapons maintenant la commande. Point d'exclamation, espace PIP, installez tokeniseurs d' espace et cliquez sur la cellule Cliquez ici, Exécutez Sell. La bibliothèque tokenizers va maintenant être installée. Vous pouvez également l'enregistrer. Comme je l'ai déjà dit, cela créera un bloc-notes Python. Donc ici, je vais taper Amith underscore. Vous pouvez ajouter n'importe quel nom. Et voici notre bloc-notes en Python. D'accord, nous utiliserons toutes ces bibliothèques plus tard lorsque nous travaillerons sur les cas d' utilisation de Hugging Face Alors, les gars, nous avons vu ce qu'est la bibliothèque de tokenizers. Nous avons également vu son objectif, ainsi que les cas d'utilisation. Avec cela, nous avons également installé la bibliothèque de tokenizers sur Google Colab 7. Jeton d'accès facial à l'embrassement (clé API) et comment créer: Dans cette leçon, nous allons apprendre ce qu'est un jeton excédentaire d'étreinte Avec cela, nous apprendrons également à le créer . Commençons. Considérez un jeton excédentaire comme une chaîne de caractères sécurisée. Ceci est principalement utilisé pour accéder aux services et aux ressources de la phase de câlin La phase d'étreinte, la clé API et le jeton d'excédent de phase d'étreinte sont identiques Dans cette leçon, nous verrons ce qu'est un jeton excédentaire, c' est-à-dire une clé d'API. Avec cela, nous apprendrons quand avons-nous besoin d'un jeton d'excédent de phase d'étreinte Nous comprendrons également que lorsque le jeton excédentaire de la phase d'étreinte n'est pas requis, nous finirons par apprendre à créer une clé d'API. Commençons. Nous avons donc expliqué ce qu'est un APK, c' est-à-dire un jeton excédentaire en phase de câlin Voyons maintenant quand avons-nous besoin d'un jeton d'excédent de phase d'étreinte C'est ici. Lorsque vous utilisez un modèle privé ou fermé ou une API d'inférence, vous avez besoin d'un jeton d'excédent de phase d'étreinte Vous devez avoir entendu parler de Meta Sama. Il s'agit d'un modèle privé. Pour y accéder, vous devez vous authentifier. Cela signifie que vous devez créer une clé d'API. Il te faut un jeton. Ainsi, si vous utilisez l'API d'inférence Huggingpas, vous avez besoin d'un jeton d'accès pour effectuer des appels d'API vous avez besoin d'un jeton d'accès pour effectuer des appels d' De plus, si vous téléchargez des modèles, des ensembles de données ou même des espaces vers le hub Hugging Pace, vous avez besoin d'un Voyons maintenant quand vous n'avez pas besoin d'un jeton d'accès huggingfas Évidemment, si vous accédez à des modèles publics qui peuvent être téléchargés et utilisés par le public, vous n'avez pas besoin d'un jeton supplémentaire. Tout comme pour GDP Two, si vous utilisez les modèles via la bibliothèque de transformateurs de Hugging Phase, vous n'avez pas besoin de jeton d'accès Ils sont accessibles au public et peuvent être facilement téléchargeables sans aucune authentification, sans aucun APake De plus, de nombreux modèles open source sont disponibles pour accéder à ces modèles, vous n'avez pas besoin de clé d'API, vous n'avez pas besoin de jeton d'accès car ils sont disponibles gratuitement. Dans les prochaines leçons, nous travaillerons donc sur ces modèles publics et open source uniquement afin qu'il ne soit pas nécessaire de créer un jeton d'accès à la phase d'étreinte Voyons maintenant comment créer un jeton d'accès à la phase d'étreinte Nous irons donc sur le site Web de Hugging Phase et nous créerons un jeton d'accès. Commençons donc. Ouvrez le site officiel huggface.co slash Alors voilà, vous devez vous inscrire. Cela signifie que vous devez créer un compte sur Hugging Face. Ici, vous pouvez utiliser votre adresse e-mail. Permettez-moi donc de créer mon compte. J'ai donc ajouté un compte, mon adresse e-mail. Non, entrez le mot de passe. Le voici maintenant, cliquez sur Suivant, complétez votre profil ici, ajoutez un nom d'utilisateur. Ajoutez votre nom. Vous pouvez également ajouter votre nom d'utilisateur Twitter. Ce sont également des profils LinkedIn facultatifs. Vous pouvez également télécharger votre OTR. Je vais cliquer. Vous pouvez également ajouter votre nom d'utilisateur iHub ainsi que votre site Web Comme vous pouvez le constater, elles sont facultatives. Cliquez sur J'ai du rouge. Ensuite, cliquez sur Créer un compte. Nous avons créé un compte. Vous devez vérifier la présence d'un lien de confirmation dans vos courriers électroniques . Votre compte est maintenant vérifié. Votre adresse e-mail a été vérifiée. Cliquez sur votre profil. Allez ci-dessous. Ce sont des jetons excédentaires écrits. C'est ici. Cliquez dessus. Vous devez maintenant créer un nouveau jeton en cliquant ici. N'oubliez pas de ne partager vos jetons excédentaires avec personne. Créez un nouveau jeton. Ajoutez le nom du jeton. Disons que je vais taper la clé de démonstration. OK. Maintenant, allez ci-dessous. Cliquez sur Créer un jeton. La clé a été créée avec succès. Vous pouvez le copier et le sauvegarder. Ici c'est écrit, gardez-le dans un endroit sûr. Vous ne pourrez plus le voir une fois que vous aurez fermé ce modèle. Cliquez sur Terminé. Toutes vos clés sont désormais visibles. Voilà, nous venons de créer une clé unique, et lorsque vous cliquez ici, vous pouvez la modifier. Vous pouvez modifier les autorisations, mais aussi les supprimer. OK, nous avons vu ce que sont les jetons excédentaires ou la clé APA dans un câlin. Grâce à cela, nous avons également appris à créer. 8. Téléchargez un ensemble de données sur Hugging Face: Dans cette leçon, nous allons apprendre comment télécharger un jeu de données depuis la phase Hugging Pour cela, nous utiliserons la bibliothèque de jeux de données. Voyons qu'un ensemble de données fait référence à un ensemble de données structurées, qui peuvent être utilisées pour former, évaluer ou tester des modèles d'apprentissage automatique. Hugging pace dispose donc de nombreux ensembles de données sur sa plate-forme, qui peuvent être utilisés pour divers cas d'utilisation tels que Nous utiliserons la bibliothèque de jeux de données pour télécharger un ensemble de données depuis la phase de Hugging . Laissez-nous voir. Voyons d'abord les ensembles de données. Accédez aux ensembles de données Slash du site Web de Hugging Phase. Voici donc les ensembles de données fournis par Hugging face. Vous pouvez en voir beaucoup. Voyons comment nous pouvons le télécharger. Nous allons donc passer sur la même plateforme, Google Colab, que nous avons déjà utilisée dans ce tutoriel. C'est ici. OK. C'est donc le carnet que nous avons déjà créé. Dans ce premier cas, nous avons installé la bibliothèque de jeux de données. Je vous ai déjà expliqué comment l'installer sur Google Colab à l'aide de la commande PIP. Ensuite, nous avons chargé un ensemble de données à l'aide du jeu de données load underscoe. Fonction. Cette fonction permet de télécharger des ensembles de données depuis le hub Hugging Face ou de les charger à partir de fichiers locaux Nous téléchargeons actuellement un ensemble de données depuis le hub Hugging Face C'est ici. OK, nous chargeons ici le jeu de données IMDB Ensuite, j'imprime le jeu de données en utilisant la méthode d'impression. importons ici la fonction de jeu de données Load Underscore Cela donne accès à divers ensembles de données publics tels que IMDB dans ce cas Nous chargeons ici le jeu de données IMDB. L'ensemble de données IMDB contient des critiques de films étiquetées comme positives ou négatives ou une classification par sentiment Lorsque vous l'exécutez, il télécharge et traite automatiquement le jeu de données. Nous imprimons ici le jeu de données. Cela divisera l'ensemble de données en train et test. OK, il affichera un aperçu de l'ensemble de données, y compris le nombre d' échantillons dans chaque division. Voyons voir qu'après l' exécution, le voici, il nous montre la structure du jeu de données IMDB En tant que dictionnaire de jeux de données, qui organise le jeu de données en différentes divisions Le train contient 25 Kos avec du texte pour les critiques de films et une étiquette pour les sentiments positifs ou négatifs. Ici, pour le test, cela représente 25 Kos à des fins de test avec les mêmes fonctionnalités. Il contient 50 ko, mais ce split ne comporte généralement pas d'étiquette pour l'analyse des sentiments. Il est souvent utilisé pour des tâches telles que le pré-entraînement ou l'apprentissage semi-supervisé. Dans ce jeu, nous pouvons télécharger un ensemble de données. 9. Téléchargez un modèle de Hugging Face: Dans cette leçon, nous allons apprendre comment télécharger un modèle depuis Hugging Face Laissez-nous voir. Pour le téléchargement, nous allons donc utiliser la bibliothèque Transformers Avec cela, nous pouvons également télécharger directement depuis le Hugging Face Hub Voyons un guide étape par étape pour télécharger et utiliser les modèles de Hugging Face Nous utiliserons la bibliothèque Transformers, dont nous avons déjà parlé Laissez-nous voir. Voici notre code VS. Nous avons déjà créé un fichier de bloc-notes, ouvrez un bloc-notes. Ici, nous avons déjà créé le modèle de téléchargement AMTNderscoe. Pour ce faire, nous avons d'abord installé la bibliothèque Transformers Nous avons déjà expliqué que Hugging Phase développé cette bibliothèque Nous avons donc utilisé PIP pour l' installer sur Google Colab. Ensuite, ce que nous avons fait ici, nous avons téléchargé un modèle à l'aide de la bibliothèque Transformers nous avons utilisé la méthode pré-entraînée From Pour cela, nous avons utilisé la méthode pré-entraînée From underscore Cette méthode permet de télécharger les poids, la configuration et le tokenizer du modèle depuis le hub Hugging Phase Nous sommes en train de télécharger un modèle d'oiseau pré-dressé. C'est ici. Après avoir utilisé ce que nous allons obtenir, nous l'avons fait et nous avons obtenu la forme. Cette forme est couramment observée dans les modèles bits où chaque jeton d'une séquence est représenté par un vecteur à 768 dimensions. Lorsque nous utilisons le modèle non encadré par un trait d' union de base de Burt et passons la phase d'entrée « hello hugging », la dernière forme de sortie à état caché représente les que nous passons la phase d'entrée « hello hugging », la dernière forme de sortie à état caché représente les dimensions du tenseur. Dans cet exemple, la forme que vous verrez généralement est la suivante. Ici, l'un d'eux est visible. Il s'agit de la taille de la batte puisqu' il n'y a qu'une phrase d'entrée. Sept est la longueur de la séquence. Cela correspond à la version tokenisée de la phase Hello Hugging incluant Cela signifie la phase de bonjour suivante. 768 est la taille cachée. Chaque jeton est représenté sous la forme d'une norme vectorielle à 768 dimensions pour l'architecture de base des oiseaux. De cette façon, les gars, nous pouvons facilement télécharger un modèle en utilisant la bibliothèque Transformers avec Google Colab 10. Analyse des sentiments à l'aide d'un visage qui embrasse: Dans cette leçon, nous allons apprendre comment implémenter l' analyse des sentiments avec Hugging face Nous allons comprendre ce qu'est l'analyse des sentiments dans son genre. Ensuite, nous allons exécuter un exemple de codage sur Google Colab. Voyons voir, nous avons déjà discuté de la bibliothèque de transformateurs fournie par Hugging Face C'est un outil puissant pour des tâches telles que l'analyse des sentiments. Maintenant, qu'est-ce que l'analyse des sentiments ? Comme son nom l'indique, cela inclut la détermination du sentiment exprimé dans un texte, il soit négatif ou neutre. Disons que j'adore le cricket, donc c'est une phrase positive. OK, je n'aime pas quelque chose, je vais toucher quelque chose, donc c' est un sentiment négatif. De même, lorsque j'expliquerai les types d'analyse des sentiments, les choses seront plus claires. Le premier est la détection de polarité positive, négative ou neutre J'adore ce produit, c'est positif, évidemment. Le service est terrible, il n'est pas bon, il est négatif. Et lorsque les choses ne sont pas claires, ce sera neutre, comme si le colis était arrivé à temps. Vient ensuite la détection des émotions. Supposons que vous disiez : « Ce n'est pas bon, c'est pathétique ». C'est tellement frustrant. C'est de la colère. Et la joie s'exprime par une phrase comme « Je suis ravie des résultats ». La détection des émotions inclut donc le bonheur, la frustration et d'autres émotions. Vient ensuite l'analyse des sentiments basée sur les aspects, comme le sentiment à l'égard d'un produit ou d'un service spécifique. Comme si la nourriture était excellente, mais le service était lent. Dans ce cas, la nourriture dégage un sentiment positif, évidemment. Mais comme le service n' était pas bon, c'est un sentiment négatif. Ensuite, l'analyse de l'intention, comme l'intention d'acheter quelque chose pour se plaindre. Disons que vous avez dit : « Nous pouvons acheter ce produit » ? Il s'agit donc d'une intention d'achat. C'étaient donc les types d'analyse des sentiments. Voyons maintenant l'exemple de codage. Pour ce faire, nous utiliserons un modèle public. Nous ne créerons donc pas jeton supplémentaire car pour les modèles publics, comme je l'ai déjà dit, nous n'en avons pas besoin. Nous allons exécuter le code sur Gool Colab. Pour plus d'efficacité, nous pouvons également modifier le temps d'exécution sur Google Collab Je vais donc également vous le montrer avec l'exemple Commençons Voici notre Google Colab. OK, laissez-moi ouvrir le code, le fichier, ouvrir le bloc-notes. J'ai déjà créé le projet. Ici, il s'agit d'une analyse des sentiments. C'est ici. Pour plus d'efficacité, nous pouvons donc modifier le type d'exécution. Cliquez sur le menu d'exécution, cliquez ici pour modifier le type d'exécution. OK. Nous pouvons voir que nous avons déjà sélectionné le To GPU, ce n'est pas un problème. Si votre projet est assez complexe ou si vous avez un projet à grande échelle, vous pouvez également sélectionner le TPU V deux tirets huit Je vais garder la même chose, d'accord ? Donc, au départ, ce que nous avons fait, nous avons d'abord installé les bibliothèques requises, savoir Transformers et Torch OK, nous utilisons le papier. Nous avons déjà expliqué comment l'installer dans les leçons précédentes. Après cela, nous l'avons exécuté en utilisant cette exécution Nous avons importé les modules nécessaires dans cette ligne. Nous avons chargé ici le pipeline d'analyse des sentiments. La fonction de pipeline fournit un moyen simple d' effectuer diverses tâches de PNL, notamment l'analyse des sentiments Vous pouvez charger un modèle d'analyse des sentiments pré-entraîné comme suit. Donc voilà, ce que nous avons fait, nous avons chargé le modèle suivant. OK. Ensuite, nous avons effectué une analyse des sentiments. Puisque nous avons chargé le pipeline d'analyse des sentiments, utilisez-le pour analyser le sentiment d'un texte. Ici, j'adore jouer et regarder le cricket. Ce sont mes textes, et je déteste quand on est à Collis, ça fait un siècle Donc, évidemment, vous pouvez deviner qu'il s' agit d'une phrase positive et que c'est une phrase négative. Vous pouvez facilement le deviner. Voici donc l'analyse des sentiments. Ici, le résultat que vous pouvez voir est une liste de dictionnaires. C'est ici que chaque dictionnaire contient l'étiquette de sentiment et le code de confiance. Ici, c'est le label et le noyau de confiance. Nous avons donc analysé plusieurs textes à la fois en transmettant une liste de piqûres à l'analyseur de sentiments Maintenant, comprenons complètement le résultat. Le score indiqué dans le résultat du pipeline d' analyse des sentiments de la phase d'étreinte représente le niveau de confiance ou probabilité que le modèle attribue à l'étiquette de sentiment prédictive Cela indique dans quelle mesure le modèle est sûr que le texte donné correspond au sentiment prédictif. Le score est une valeur de 0 à 1. Comme vous pouvez le constater, un score plus proche de un signifie que le modèle est très confiant dans ses prévisions. Si le score était plus proche de zéro, cela signifierait que le modèle est moins sûr de sa prédiction. L'étiquette positive indique que le modèle prédit que l'impression du texte est positive. C'est ce qui suit. Le négatif signifie le contraire, c'est-à-dire négatif. C'est ici. Ici, vous vous demanderiez pourquoi le score est si élevé, proche de un. Cela est dû au fait que le modèle que nous utilisons a été affiné sur un vaste ensemble de données et il est très précis pour les tâches d'analyse des sentiments. Le texte d'entrée contient probablement langage fort et sans ambiguïté qui permet au modèle de prédire facilement le sentiment avec une grande confiance, comme manger signifie négatif et aimer signifie positif Donc, de cette façon, les gars, nous pouvons travailler sur l'analyse des sentiments avec un visage étreint 11. Classification de texte à l'aide de Hugging Face: Dans cette leçon, nous allons apprendre comment utiliser la phase d'étreinte pour la classification du texte Tout d'abord, nous allons comprendre ce qu'est la classification de texte. Cela nous permettra également de voir la différence entre l' analyse des sentiments et la classification du texte. Ensuite, nous allons créer et exécuter un exemple sur Google Colab. Commençons. La classification du texte, comme son nom l'indique, peut être utilisée pour détecter le spam. Donc, sur votre adresse e-mail , vous devez avoir vu que certains e-mails sont considérés comme des spams, tandis autres ne sont pas considérés comme du spam. la même manière, vous pouvez également classer les articles de presse ou documents tels qu'un article sportif dans la catégorie sport, un article lié à la technologie dans la catégorie technologie. , il inclut également un cas d'utilisation pour la détection des intentions, comme l'annulation d'une commande, réservation d'un vol, etc. Voyons donc jusqu'à présent, nous avons couvert l'analyse des sentiments. Voici donc la différence entre l' analyse des sentiments et la classification du texte. Comme son nom l'indique, l'analyse des sentiments est étroite. Cela est spécifique au sentiment. Disons un sentiment positif pour un texto comme « I love Cricket ». De la même manière, les libellés pour la classification du texte dépendent de la tâche, comme je viens dire à propos du spam ou du non-spam ou d'autres sujets. Ensuite, pour l'analyse du sentiment, nous en avons discuté avant qu'il ne soit principalement positif, négatif ou neutre. Certains cas d'utilisation incluent le classement des e-mails en tant que spam ou non en tant que courrier indésirable dans le cadre de la classification textuelle Dans le cadre de l'analyse des sentiments, l'un des cas d'utilisation peut être une évaluation positive du produit. Voyons maintenant un exemple de codage dans lequel nous détecterons le spam ou non sur la base d'un texte. Nous utiliserons un modèle accessible au public qui est le suivant. Nous n'aurons donc pas besoin d' un jeton supplémentaire de Hugging Face pour cela Voyons donc l'exemple et classons le texte comme spam ou non comme spam. Voici notre Google Colab. Nous avons créé ces carnets jusqu'à présent Ouvrons notre bloc-notes de classification de texte , bloc-notes ouvert. C'est ici. Nous l'avons déjà créé . Voyons les étapes. Tout d'abord, nous allons installer les bibliothèques requises. Cela commence par la bibliothèque Hugging Face Transformers ainsi que par la bibliothèque Torch Nous avons donc utilisé la commande d'installation PIP pour cela. Passons ci-dessous. Ensuite, nous allons importer les modules nécessaires. Ici, nous avons importé le module de pipeline. Ensuite, nous avons chargé un modèle de détection de spam pré-entraîné qui est le suivant ici. Il est disponible gratuitement. Nous n'avons donc pas appliqué de clé pour étreindre le visage. L'étape suivante consiste maintenant à effectuer la détection du spam. Tout d'abord, nous avons défini plusieurs textes afin pouvoir détecter si ces textes sont du spam ou non. Nous avons classé plusieurs textes à la fois en leur transmettant une liste de chaînes. C'est ici. Nous avons associé libellés au spam et non au spam ici Ici, c'est le mappage des étiquettes. Négatif signifie spam, neutre signifie pas spam, positif signifie pas spam. D'accord. Pour afficher les résultats, nous avons utilisé les quatre en boucle. C'est ici. Que va-t-il se passer ? Un score sera visible dans le résultat. D'accord. Le résultat inclura également l'étiquette, qu'il s'agisse d'un spam ou non. Ainsi, le score sera également visible. Ce sont les scores de confiance. Ici il en est ainsi selon notre modèle, le premier texte est un spam. Évidemment, parce qu'il s'agit d'une marque de félicitations. Nous avons l'une des cartes-cadeaux Amazon de 500 INR, cliquez ici pour la réclamer maintenant Le second n'est pas un spam. De toute évidence, son mythe. Rencontrons-nous demain à midi. Donc, évidemment, il ne s' agit pas d'un spam. Ce dernier est également considéré comme un spam. Nous recevons de nombreux spams indiquant que votre compte Gmail a été compromis. Ici, l'intervalle de confiance affiche le score. faibles scores de confiance indiquent que le modèle est incertain quant à ses prévisions. Le modèle suivant est affiné pour l'analyse des sentiments, mais pas spécifiquement pour la détection du spam. Nous sommes toujours en train de l'adapter pour la détection du spam. D'accord. C'est pourquoi ici, il n'affiche aucun spam, mais le score de confiance est même inférieur à 0,7. Je vous ai dit que les faibles scores de confiance indiquent que le modèle est incertain quant à ses prévisions. Vous pouvez définir ici un modèle différent à partir de la phase d'étreinte Nous montrons ici un exemple. Ainsi, nous pouvons utiliser la bibliothèque Transformers sur Hugging Face pour détecter C'est pour effectuer une classification de texte. 12. Des résumés de texte à l'aide de Hugging Face: Dans cette leçon, nous allons comprendre comment effectuer des résumés à l' aide d'un visage étreint. Tout d'abord, nous allons comprendre pourquoi nous avons besoin de résumer, puis nous verrons un exemple de codage sur Google Colab pour résumer le texte. Commençons. le savez déjà, la bibliothèque Transformers en phase d'étreinte Comme vous le savez déjà, la bibliothèque Transformers en phase d'étreinte est utilisée pour les tâches de PNL Cela inclut également le résumé du texte. Alors pourquoi un résumé ? La synthèse est en fait utilisée dans de nombreuses applications du monde réel Vous devez avoir vu le résumé de longs articles en courts extraits avec celui résumant des documents Les chatbots fournissent également des réponses rapides et concises. Cela vous permet d' extraire des points clés et des résumés d'un document ainsi que de grands ensembles de Voyons maintenant un exemple. Ici, nous utiliserons le modèle suivant, qui est accessible au public sur Hugging face Nous n'avons donc pas besoin d' ajouter le jeton excédentaire. D'accord, nous allons exécuter le code sur Google Colab comme nous l'avons vu auparavant Voyons donc le code. Voici donc notre Google Colab Nous allons ouvrir notre fichier de code, ouvrir notre bloc-notes. Nous discutons donc ici de la synthèse. Voici notre code. Tout d'abord, ce que nous avons fait, nous avons installé les bibliothèques requises. Nous avons donc installé les transformateurs ainsi que bibliothèque Pytoch ici à l' aide de la commande PIP Nous avons déjà discuté de cette commande. Ensuite, nous utiliserons Atomdel pour la séquence à séquence LM et le tokenizer automatique pour mieux contrôler le processus afin de pouvoir charger directement le modèle et le C'est donc ce que nous avons fait ici. Nous avons chargé ici le modèle pré-entraîné suivant à des fins de synthèse. Nous avons donc défini ici le texte d'entrée pour le résumer. Voici donc notre texte. Nous allons résumer cela. Tout d'abord, nous avons tokenisé le texte saisi en utilisant ce qui OK, vous pouvez donc voir ici quelques paramètres. Ces paramètres permettront de contrôler la longueur et la qualité des résumés La longueur maximale du trait de soulignement est le nombre maximal de jetons dans le résumé Nous avons défini 512, donc ici le résumé ne dépassera pas 512 jetons. Nous avons tokenisé le texte saisi ici. Pour générer le résumé, nous avons utilisé la méthode generate. Nous avons ici quelques paramètres pour l'entrée, les suivants, tokenisés Ensuite, la longueur maximale, qui est le nombre maximum de jetons dans le résumé. Il s'agit du nombre minimum de jetons indiqué dans le résumé. La longueur souligne la pénalité. Qu'est-ce que c'est ? Cela encourage les résumés plus ou moins longs. Ici, il y en a deux, ce qui signifie des résumés plus longs. Les faisceaux de soulignement Num contrôlent la largeur de recherche du faisceau, augmentent les valeurs, améliorent la qualité, mais ralentissent Ici, nous l'avons fixé à quatre. Cela signifie quatre faisceaux pour le décodage. OK, voici donc notre contribution, et voici le résumé ici. Nous avons imprimé le résumé ici. Nous l'avons résumé. OK. Donc, de cette façon, les gars, nous pouvons utiliser la phase d'étreinte Donc, de cette façon, les gars, nous pouvons facilement résumer le texte. 13. Texte à texte (traduire) en utilisant Hugging Face: Dans cette leçon, nous allons comprendre comment effectuer une traduction à l'aide de Hugging Face Il s'agit de la génération de texte en texte. Voyons voir pour la tâche de traduction, nous utiliserons la bibliothèque Hugging Phase Transformers. Certains modèles sont déjà fournis à cet effet. Ainsi, comme nous le savons tous, la traduction inclut, disons, la traduction de l' anglais, du texte en espagnol Il s'agit d'une partie des modèles de texte en texte qui nécessite un préfixe de tâche pour spécifier le type de tâche, par exemple, traduction, synthèse, etc. La génération de texte en texte inclut non seulement la traduction, mais également la synthèse, la paraphrase, la réponse aux questions et même la classification et même Voyons donc la différence entre texte à texte et génération de texte. La génération de texte est donc utilisée pour la génération de texte autodgressive où le modèle génère texte séquentiellement, un jeton à la fois, comme des systèmes de dialogue, des complétions de texte, La classe de génération de texte en texte est utilisée pour les tâches de séquence à séquence dans lesquelles le modèle prend une séquence d'entrée et génère une séquence de sortie, comme la synthèse de texte, la paraphrase et même la traduction Voyons maintenant un exemple pour effectuer une traduction à l' aide de la bibliothèque Hugging Phase Transformers. Pour cela, on utilisera un modèle T five underscore Small, qui est accessible au public lors de la phase Hugging Ce modèle est une version réduite du modèle T five et peut être utilisé pour des tâches telles que le résumé, la traduction et même les réponses en mode silencieux Voyons l'exemple sur Google Colab. Voici un Google Colab. Nous venons voir l'exemple de résumé du texte Maintenant, ouvrons. Maintenant, ouvrons l'exemple de traduction. C'est ici. Nous allons d'abord installer les bibliothèques requises. C'est ce qui suit ici. Nous avons utilisé la commande PIP space install Nous avons déjà vu cette commande. Ensuite, nous chargerons un modèle de traduction préformé. C'est ici que nous avons chargé le modèle T five. Il s'agit d'un modèle de texte à texte polyvalent. Cela peut gérer la traduction en préfixant l'entrée par une invite spécifique à la tâche Nous chargeons donc un modèle T five. Ici. Ici, nous avons préparé le texte d'entrée. Voici donc le texte que nous allons traduire, traduire de l'anglais vers l'espagnol. C'est le texte suivant que nous allons faire traduire. Convertissez le texte saisi en identifiants d'entrée que le modèle peut traiter Utilisez le modèle pour générer le texte traduit. Vous pouvez personnaliser le processus de génération avec des paramètres tels que la longueur maximale et faisceaux de soulignement que nous avons également vus dans la leçon précédente Ici, les jetons de sortie seront décodés en texte, puis nous imprimerons le texte traduit Voici donc le résultat, le texte traduit. Je m'appelle Amed Devan et j'adore le cricket. Le voici donc traduit en espagnol. Ainsi, les gars, nous pouvons effectuer la traduction. 14. Répondre aux questions en utilisant Hugging Face: Dans cette leçon, nous allons comprendre comment utiliser la phase d'étreinte pour répondre en silence Nous verrons également un exemple. Commençons. Nous allons donc utiliser la bibliothèque de phase d' étreinte des transformateurs pour effectuer la tâche de réponse Quotien Nous allons exécuter le code sur Google Colab. Nous allons donc utiliser ici le modèle suivant, qui est accessible au public lors de la phase de câlin, nous n'avons donc pas besoin de créer un jeton supplémentaire pour cela Voyons l'exemple sur Google Colab. Nous allons donc ouvrir ici notre code. Tout d'abord, nous allons installer les bibliothèques requises que nous avons montrées. Nous avons utilisé la même commande d' installation PIP que celle que nous avons vue auparavant pour installer les bibliothèques requises Ensuite, nous chargerons un modèle d' assurance qualité et un tokenizer pré-entraînés modèle d' assurance qualité et un tokenizer Voici notre modèle et le tokenizer. Préparez l'entrée pour la tâche QA. C'est pour la tâche de réponse au quotien. Nous avons besoin d'un contexte et d'un quotien. Quel est le contexte actuel ? Il s'agit d'un paragraphe ou d'un texte dans lequel la réponse peut être trouvée. C'est ce qui suit. Je fournis également un contexte, et voici la citation Il s'agit donc de moi, et voici la question à laquelle vous voulez répondre. OK. Nous avons donc dit les deux. Ensuite, nous allons tokeniser l'entrée, tokeniser le contexte et quotien à l'aide du tokenizer contexte et quotien à l'aide du tokenizer. Nous avons fait les deux. Obtenez la prédiction du modèle, transmettez l'entrée tokenisée au modèle pour obtenir la réponse. C'est ce qui suit. Il extraira également les scores de début et de fin. Je vais obtenir les positions de début et de fin les plus probables ici et il les utilisera pour reconvertir les identifiants de jetons en mots afin que la réponse soit affichée ici. Les jetons de réponse et de discothèque seront placés ici et ils seront décodés à nouveau vers Cela aura votre résultat. C'est donc ici que le quotien est basé sur Amid the Onean. Le contexte était le suivant, et la réponse est Deli Donc, de cette façon, les gars, nous pouvons répondre facilement. 15. Du texte à l'image à l'aide d'un visage qui embrasse: Dans cette leçon, nous allons comprendre comment transformer texte en image en utilisant le visage étreint Laissez-nous comprendre avec un exemple, nous allons donc utiliser ici la bibliothèque de diffuseurs Hugging Face Cet exemple utilisera également le modèle de diffusion stable, qui est l'un des modèles d'image texte les plus populaires disponibles dans la bibliothèque de diffuseurs. Maintenant, qu'est-ce que la bibliothèque de diffuseurs et la diffusion stable ? La bibliothèque diffusers est une bibliothèque Python open source qui se concentre sur les modèles de diffusion pour générer des images, son et d'autres types de données Il s'agit d'une classe de modèles génératifs développés uniquement par Hugging Face Qu'est-ce que la diffusion stable ? Il s'agit d'un modèle de diffusion latente conçu pour la génération d'images de haute qualité. Vous pouvez donc générer des images à partir de proms de texte en utilisant cela. C'est également l'un des modèles génératifs les plus populaires. Voyons l'exemple. Ici, nous utiliserons un modèle accessible au public sur huggingface Voyons l'exemple et convertissons le texte en image. Le résultat sera généré sous forme d'image sur Google Colab lui-même. Alors voyons voir. Voici notre Google Colab Ouvrons notre bloc-notes pour convertir le texte en image. C'est ici. Tout d'abord, nous installerons les bibliothèques requises en utilisant la même commande pip install dont nous avons déjà parlé Nous allons donc maintenant charger le pipeline de diffusion stable. La bibliothèque de diffuseurs fournit un pipeline de diffusion stable qui facilite la génération d' images à partir d'instructions textuelles Nous allons charger le modèle de diffusion stable ici. présent, générez une image à partir d'une invite de texte, générez facilement une image en passant une barre de texte au pipeline. Voici notre message. Des voitures volantes survolent un paysage urbain futuriste au coucher du soleil. Ce qui suit va générer l'image. OK. Voici notre image. Cette image sera enregistrée sur Google Colab uniquement en utilisant la même méthode, et elle imprimera également l'image enregistrée sous forme d'image de soulignement générée au format PNG. Le fichier PNG sera généré, où il sera visible sur Google Colab, cliquez ici Vous pouvez voir les fichiers. Maintenant, je vais le lancer. Je vais le gérer. Je vais le gérer maintenant. Maintenant, je cours pour générer une image et l'enregistrer. OK, voici donc notre image. C'est écrit. Image enregistrée sous forme de point de soulignement au format PNG généré. OK, donc ça l'a généré. Je vais juste y aller à partir d'ici. Vous pouvez le télécharger. Vous pouvez également copier le chemin. Je vais cliquer sur Télécharger. Il a été téléchargé. OK, c'est ici. Nous avons donc généré une image qui est du texte à l'image. 16. Du texte à la vidéo à l'aide d'embrasser des visages: Dans cette leçon, nous allons comprendre comment transformer du texte en vidéo à l'aide d'un visage pressant. C'est ce qu'on appelle la synthèse texte-vidéo. Nous allons comprendre ce que c'est, et nous allons également utiliser un exemple. Commençons donc par le texte en vidéo, qui inclut génération de vidéos à partir de descriptions textuelles comme la saisie d'un texte et la génération d'une vidéo Comme nous l'avons vu dans la leçon précédente, du texte à l'image, nous avons saisi un texte et généré une image Dans ce cas, nous allons générer une vidéo. Nous disposons donc de nombreux modèles et outils pré-entraînés pour générer des vidéos. Hugging Face propose les mêmes modèles. La synthèse texte-vidéo Tom dont je viens de parler inclut la génération d'une séquence d' images basée sur une description textuelle Comme il s'agit d'une tâche complexe, elle nécessite de combiner différents modèles de PNL avec des modèles génératifs ou même des modèles de diffusion D'accord, les modèles de diffusion que nous avons vus dans la leçon précédente sont utilisés pour générer des images ou des vidéos. Voyons quelques frameworks de génération vidéo avant de passer à l'exemple. L'un des plus populaires est Runway ML. Il propose des outils pour la génération et le montage de vidéos. Principalement pour les vidéos générées, vous pouvez utiliser les laboratoires PIA. Avec ce percepteur mental profond E/S peuvent également être utilisées pour gérer des entrées multimodales La saisie multimodale peut inclure du texte, des images et même des vidéos. Vous devez utiliser la bibliothèque telle que Pitch ou Tensor Flow afin de pouvoir créer des pipelines pour générer des images vidéo Voyons un exemple. Nous utiliserons donc ici également la bibliothèque du diffuseur Nous avons déjà parlé de la bibliothèque de diffuseurs. Il s'agit d'une bibliothèque open source développée par Hugging Face et utilisée pour générer des images et même des vidéos Nous utiliserons le modèle de division stable accessible au public. Dans notre exemple, nous allons exécuter le code sur Google Colab comme nous l'avons vu précédemment Commençons. Voici une collaboration avec Google. Ouvrons notre code, notre fichier, notre bloc-notes. Nous allons ouvrir notre bloc-notes pour convertir du texte en vidéo. Je vais taper une vidéo uniquement pour rechercher. C'est ici. Tout d'abord, nous allons installer. Nous avons donc utilisé ici la commande pip install pour installer les transformateurs, ainsi que la bibliothèque de diffuseurs également Ensuite, nous chargerons un texte modèle d'image, nous le chargeons donc ici. C'est le modèle dont je vous ai déjà parlé. Nous avons utilisé la bibliothèque des diffuseurs pour charger un texte pré-entraîné modèle d'image, comme une diffusion stable Générez d' abord des cadres à partir du texte, nous avons défini le prom. Ici, nous allons générer des cadres individuels en fonction de la description du texte. Voici la description textuelle, un paysage urbain futuriste de nuit avec Cela générera dix images à l'aide de la boucle étrangère. En voici dix, et cela s'ajoutera. Plus tard, nous avons utilisé la bibliothèque OpenCV pour esquisser les images dans une vidéo Ici, nous utilisons l'OpenCV à l'intérieur de la boucle étrangère afin de pouvoir l'assembler Nous avons également utilisé la bibliothèque Numpi. Nous y utilisons le tableau Numpi. Cela permettra donc d'enregistrer les cadres sous forme d'images. Cela permettra d'assembler les images dans les vidéos, et ce qui suit affichera le résultat, qui rassemble les images à l' aide de la boucle étrangère Et le résultat sera affiché ainsi sous forme de cadres. Donc, quand je cours, il m'affiche dix images parce que nous générons dix images ici. Et après cela, il affichera la vidéo. Voici donc la sortie, la vidéo de sortie aura le nom suivant output underscore video point mp four, mais elle générera également des images Combien de cadres ? Dix cadres. Le format du cadre sera le suivant : le cadre soulignera la valeur de I. Ainsi, les cadres seront comme un cadre de soulignement PNG à zéro point, cadre souligné d'un point PNG, et cela ira Cela signifie dix images. Et le résultat sera là, je vous l'ai dit. Maintenant, laissez-nous le gérer. R Maintenant, nous allons cliquer ici. Et ici, vous pouvez voir que je vous ai dit qu'il générera dix images. Frame, soulignez de zéro point png à neuf et la vidéo de sortie sera disponible. C'était donc le résultat. Je vais simplement cliquer ici et cliquer sur Télécharger. Téléchargez-le. Cliquez avec le bouton droit de la souris et ouvrez. Voici notre vidéo. D'accord, vous pouvez voir dix images. Donc, de cette façon, les gars, nous pouvons générer vidéo à partir d' un texte avec un visage câlin Merci d'avoir regardé la vidéo.