Curso de abraço facial para iniciantes

1. Sobre o curso: Neste curso em vídeo, aprenda a fase do abraço e seus conceitos Hugging Face é uma empresa e comunidade de código aberto que se concentra no processamento de linguagem natural e inteligência artificial É mais conhecida por sua biblioteca de transformadores, que fornece ferramentas e modelos pré-treinados para uma ampla variedade de tarefas de PNL, como classificação de texto, análise de sentimentos, tradução automática Neste curso, abordamos as seguintes lições com exemplos de execução ao vivo. Vamos começar com a primeira lição. 2. Abraçando o rosto — introdução e características: Nesta lição, aprenderemos o que é abraçar o rosto. Com isso, também entenderemos as características. Vamos começar. Hugging Face é uma empresa amplamente conhecida e comunidade de código aberto que se concentra na PNL, que é o processamento de linguagem natural Também se concentra na inteligência artificial. Hugging Face é mais conhecida por sua biblioteca de transformadores, que fornece ferramentas e modelos pré-treinados Para que uma ampla variedade de tarefas de PNL, como análise de sentimentos, tradução automática e resumo de texto, possa ser As bibliotecas Hugging Face mais usadas são transformadores, conjuntos de dados e tokenizadores Vamos ver os recursos. Inclui muitas bibliotecas. Uma das principais bibliotecas são os transformadores. Isso inclui modelos pré-treinados, como o BT. Abraçar o rosto também inclui o Model Hub. Essa é uma plataforma na qual os usuários podem compartilhar e baixar modelos pré-treinados. Com isso, os usuários também podem baixar conjuntos de dados e outros recursos Hugging Face também inclui uma biblioteca para uma variedade de conjuntos de A biblioteca é chamada Biblioteca de Conjuntos de Dados e é usada para tarefas de PNL Hugging Face também tem uma plataforma para hospedar e compartilhar demonstrações e aplicativos de aprendizado de máquina , chamada de spaces Com isso, usando o Hugging Face, você pode facilmente implantar e usar modelos em ambientes de produção Hugging Face é ter uma forte comunidade e colaboração Essa é uma comunidade de desenvolvedores, amantes que contribuem para o ecossistema. Vamos ver alguns dos modelos populares do Hugging Face. O pássaro amplamente usado é usado para entender o contexto das palavras em uma frase. Sua forma completa é representada por codificadores bidirecionais de transformadores. É uma poderosa estrutura de aprendizado de máquina de código aberto desenvolvida pelo Google para PNL Ele se destaca na compreensão do contexto de palavras e frases, analisando as relações entre elas maneira bidirecional permitindo que os computadores entendam melhor o significado da Também inclui PT, que é um transformador generativo pré-treinado, também um transformador de texto em texto com aquele robô que é uma abordagem de bot robusta Robota é um modelo de linguagem baseado em transformadores que emprega autoatenção para analisar Robota aplica o mascaramento dinâmico onde o padrão de mascaramento Ele oferece desempenho aprimorado em várias tarefas de PNL. Portanto, você também pode relacionar a BT com a Robota. Considere que o principal objetivo do modelo Robota é melhorar o desempenho do modelo de bordo abordando suas limitações Esses foram os modelos populares da fase de abraços. Nesta lição, vimos o que é a fase do abraço, seus recursos de introdução e alguns modelos populares Obrigado por assistir ao vídeo. 3. Abraçando o rosto — casos de uso: Nesta lição, entenderemos os casos de uso da fase de abraços Hugging Face suporta uma ampla variedade de casos de uso em PNL, visão computacional e até mesmo aplicações multimodais Vamos ver os casos de uso. A fase de abraço é amplamente utilizada. Discutimos alguns casos de uso importantes aqui, começando com o EI conversacional, que você já conhece, ou seja, chatbds Ok, crie fóruns de bate-papo inteligentes usando modelos como GPT, Blender board Essas ferramentas de bate-papo podem ser usadas para suporte ao cliente, como assistência virtual Com isso, você também pode criar sistemas de diálogo interativos. Eles podem ser usados como assistência educacional , bem como como conselhos de terapia. Em seguida, vem a análise de sentimentos, como o nome sugere, você pode analisar facilmente o feedback do cliente, analisar suas postagens nas redes sociais ou as respostas à pesquisa para determinar o sentimento que é positivo, negativo ou Com isso, gere texto, gere facilmente artigos, blogs e até poemas usando modelos como o GPT As citações também podem ser facilmente geradas, gerando trechos de código em qualquer linguagem de programação Com isso, o conteúdo pode ser gerado, incluindo descrições de produtos, avaliações, planos de marketing e outros. Em seguida, vem o resumo do texto. Se você quiser resumir seu texto, digamos que você queira resumir notícias, você pode fazer isso facilmente Com isso, digamos que você tenha alguns documentos PDF e queira apenas resumi-los Esses documentos longos podem ser facilmente resumidos em pontos importantes Com isso, você também pode fazer anotações de reuniões. Em seguida, vem o reconhecimento de sua entidade nomeada, extraia facilmente nomes, habilidades e experiência dos currículos. Também é útil na área da saúde identificar o diagnóstico, o nome dos pacientes, alguns termos médicos e outros. Com isso, você também pode extrair o nome das empresas forma como elas estão trabalhando de seus relatórios financeiros. Portanto, também é usado no domínio financeiro. Tradução automática, como o nome sugere, você pode traduzir o aplicativo do seu site e até documentos de um idioma para outro, digamos, do inglês para o espanhol. Também pode ser usado em idiomas poucos recursos. Isso é para tradução. caso de uso de perguntas e respostas é útil principalmente para o suporte ao cliente Com isso, responda facilmente às perguntas feitas pelos alunos com base em um livro ou notas específicas As perguntas frequentes podem ser respondidas facilmente e, quando eu disse suporte ao cliente, isso significa que vimos tickets de suporte em sites para que os usuários possam fazer perguntas com facilidade Com isso, você pode recuperar facilmente respostas de grandes documentos ou bancos Use-o também para reconhecimento e síntese de fala. Você também pode converter fala em texto, criar aplicativos de controle de voz usando modelos de fala em texto e de texto em fala. Você também pode fornecer legendas em tempo real, gerar descrições para imagens Digamos que você tenha digitalizado um documento ou imagens e queira um texto deles, você pode facilmente conseguir isso Além disso, se você quiser ler ou digitalizar imagens, isso também pode ser feito. Isso significa resposta visual. Em seguida, vêm seus sistemas de recomendação. Você deve ter visto isso no Netflix ou no Amazon Prime. Recomende facilmente filmes ou séries da web usando o que as pessoas realmente estão curtindo em suas contas Com esse NAS, a pesquisa resulta da compreensão da intenção dos usuários e de seu contexto Também detecte fraudes com facilidade. Com relação aos e-mails, detecte e filtre facilmente os e-mails do Sam, saúde mental também pode ser monitorada por meio de um modelo, analisando facilmente o texto ou a fala para que as emoções possam ser detectadas, como estresse, ansiedade ou até depressão. Com isso, entenda as emoções dos clientes durante as chamadas de suporte ou até mesmo o bate-papo. Texto para fala e fala para texto também podem ser obtidos e traduções em tempo real podem ser facilmente trabalhadas. Os aplicativos multimodais analisam facilmente o conteúdo de vídeo. Com aplicativos multimodais, você pode analisar facilmente, nem mesmo texto, mas também vídeo e áudio Aplicativos de realidade aumentada também podem ser criados com facilidade para gerar dados de texto sintético para treinamento e modelos de aprendizado de máquina Você também pode parafrasear texto, identificar relações entre entidades no texto, avaliar facilmente as redações ou tarefas dos alunos, criar ferramentas para correção gramatical, vocabulário, vocabulário Uso em saúde e ciências da vida. A partir dos registros médicos de um paciente, você pode extrair facilmente os insights. A partir de documentos legais, extraia facilmente as principais cláusulas, obrigações ou qualquer risco possível Com isso, você também pode criar narrativas baseadas em IA para jogos Analise as mídias sociais com facilidade para que você possa identificar os tópicos mais populares ou até mesmo as hashtags Analise também o impacto da postagem feita por influências. Aplicativos multilíngues também podem ser criados para que você possa ativar a pesquisa em vários Discurso de ódio e conteúdo prejudicial é algo que precisa ser corrigido. Com isso, você pode facilmente detectá-los e moderá-los. Preveja facilmente as tendências do mercado de ações analisando artigos de notícias, sentimentos nas redes sociais, publicações no Twitter e outros. Preveja eventos como o lançamento de um produto, conteúdo de e-mail personalizado para campanhas de marketing, personalize o conteúdo do site ou do aplicativo com base nas preferências e no comportamento do usuário. Ajuste modelos pré-treinados para sua tarefa específica. Além disso, você pode comparar o desempenho de diferentes modelos em conjuntos de dados personalizados. Então, pessoal, vimos alguns dos ótimos casos de uso da fase de abraços Nas próximas aulas, implementaremos algumas delas. 4. Biblioteca de transformadores de abraços faciais: Nesta lição, entenderemos a biblioteca de transformadores da fase de abraço Também aprenderemos como instalá-lo. Vamos ver. A biblioteca de transformadores é a biblioteca principal para modelos e pipelines pré-treinados É uma biblioteca Python de código aberto. Como eu disse antes, a Hugging phase desenvolveu a biblioteca de transformadores, que é modular e extensível Inclui milhares de modelos pré-treinados para uma ampla variedade de tarefas de PNL, como tradução, resumo de texto, classificação de texto e Portanto, nesta lição, entenderemos o que é a biblioteca de transformadores, por que usar a biblioteca de transformadores , seus casos de uso e também como instalar Vamos começar. Então, já vimos o que é a biblioteca de transformadores aqui. Agora veremos por que usar a biblioteca de transformadores. A biblioteca Transformers é amplamente usada porque é bastante simples de usar com modelos complexos de PNL Ele fornece acesso a modelos de ponta. Com isso, é apoiado por uma comunidade grande e ativa. Ele suporta personalização e ajuste fino. Com isso, você pode integrar a biblioteca de transformadores com outras ferramentas Aqui estão alguns casos de uso da biblioteca transformers, classifique os textos em categorias, como classificação de texto no caso de detecção de spam em Também identifique entidades como nomes, datas e localizações no texto, que é chamado de reconhecimento de entidade nomeada. Traduza textos entre diferentes idiomas do inglês para o alemão com isso, gere texto usando modelos como o GPT Implemente também a resposta quotidiana. Isso é responder com base em um determinado contexto. Vamos ver como instalar a biblioteca de transformadores. Então, aqui estão maneiras diferentes. Use o PIP para instalar a biblioteca de transformadores. PIP é um gerenciador de pacotes para baixar, instalar e gerenciar pacotes e bibliotecas do Python Com isso, você também pode usar o Google Colab. Aqui você pode encontrar algumas diferenças na sintaxe. Há um sinal de exclamação se você o estiver instalando no Google Colab Com isso, você também pode instalar a biblioteca de transformers diretamente do repositório Hugging Phase Então, vamos ver como instalá-lo. Usaremos o Google Colab para isso. Adicionaremos o seguinte comando. Vamos ver. Aqui está o nosso navegador, vou digitar Google Colab e pressionar Enter Aqui está o link fornecido apenas pelo Google colab.research.google.com Aqui você pode ver que eu já entrei na minha conta do Gmail, então ela será aberta diretamente Eu cliquei em então ele está me pedindo para criar um novo caderno aqui Esses são meus cadernos já criados. Vou clicar em Novo caderno. Portanto, é um aplicativo web gratuito. Então, agora vamos usar o mesmo comando aqui para instalá-lo. Eu vou te mostrar novamente. Aqui está o comando. Ok, vamos digitar o mesmo comando. Ok, o espaço PIP instala transformadores espaciais. Depois disso, o que precisamos fazer é clicar aqui. Está escrito para executar aqui. Você pode ver as execuções? Dessa forma, podemos instalar a biblioteca de transformadores usando o Google Colab Você pode adicionar o nome do seu notebook Python aqui. Então, isso criou um Notebook Python. Se você conhece o Anaconda, pode facilmente adivinhar o que é um notebook Python Salve-o aqui e renomeie-o mais tarde. Então, aqui eu acabei de implementar essa sintaxe para instalar a biblioteca de transformadores. Nesta lição, vimos o que é a biblioteca de transformadores. Também vimos por que é tão popular , também vimos alguns casos de uso e como instalá-lo. 5. Biblioteca de conjuntos de dados do rosto abraçado: Nesta lição, entenderemos a biblioteca de conjuntos de dados na fase de abraços Com isso, também veremos como instalá-lo . Vamos começar. A biblioteca de conjuntos de dados fornece acesso fácil a uma ampla variedade de conjuntos de dados para PNL e outras tarefas de aprendizado de máquina É desenvolvido pela Hugging Face e é uma biblioteca Python. Isso torna mais fácil para desenvolvedores e pesquisadores trabalharem com dados para treinar e avaliar modelos Então, nesta lição, veremos o que é a biblioteca de conjuntos de dados e por que usá-la Portanto, use casos da biblioteca de conjuntos de dados e como instalá-la Vamos começar. Já abordamos o que é a biblioteca de conjuntos de dados Então, vamos começar explicando por que usar a biblioteca de conjuntos de dados. Um dos motivos é a eficiência, o carregamento lento e o streaming, facilitando o trabalho com grandes conjuntos Os conjuntos de dados podem ser enormes e sempre precisamos de uma biblioteca ou tecnologia para facilitar o trabalho de acessar e trabalhar nesses conjuntos Então, essa biblioteca realmente ajuda. Ele tem uma API unificada para processar conjuntos de dados. Você também pode trabalhar com a Biblioteca Transformers e outras estruturas de ML com a biblioteca outras estruturas de ML com conjuntos de dados para que a integração e a interoperabilidade Milhares de conjuntos de dados são fornecidos pela Huggingfas. Ele oferece suporte a conjuntos de dados personalizados e pipelines de pré-processamento. Portanto, antes de instalar a biblioteca de conjuntos de dados, deixe-me mostrar seu site Então, aqui está o link huggface.co, site oficial dos Assim, você pode ver quantos conjuntos de dados são fornecidos em mais de 350 K, e aqui está Se você clicar em qualquer um deles, poderá obter todos os detalhes. Neste tutorial, também mostraremos como baixar e acessar um conjunto de dados facilmente usando o Huggingface Posteriormente, verei os casos de uso ou a biblioteca de conjuntos de dados com facilidade para carregar e pré-processar conjuntos para tarefas como Isso se enquadra na classificação de texto. Com isso, você também pode trabalhar com análise de sentimentos e respostas diárias Usando isso, você pode criar facilmente sistemas de atendimento diário Alguns conjuntos de dados também são fornecidos para tradução propósito de reconhecimento da entidade nomeada também pode ser preenchido com alguns conjuntos de dados já fornecidos pela Hugging Carregue e pré-processe seus conjuntos de dados personalizados usando a biblioteca de conjuntos de dados Agora vamos ver como instalar a Biblioteca de conjuntos de dados. Assim, você pode usar o gerenciador de pacotes PIP PPAs para baixar, instalar e gerenciar pacotes e bibliotecas Python Basta usar o comando PIP Space install space datasets. Com isso, você também pode usar o Google Colab facilmente. Mas há uma diferença entre as duas sintaxes. Você tem um ponto de exclamação para o Google Colab. Veremos isso mais tarde. Com isso, você pode baixá-lo diretamente do repositório HuggFasGitHub usando a sintaxe fornecida, os conjuntos de dados Git plus github.com hugfacelash. Diga ao S pip para instalar o pacote do repositório de conjuntos de dados hugging repositório HuggFasGitHub usando a sintaxe fornecida, os conjuntos de dados Git plus github.com hugfacelash. Diga ao S pip para instalar o pacote do repositório de conjuntos de dados hugging Phase no Github. repositório HuggFasGitHub usando a sintaxe fornecida, os conjuntos de dados Git plus github.com hugfacelash. Diga ao S pip para instalar o pacote do repositório de conjuntos de dados hugging Phase no Github. Agora vamos ver como instalar a biblioteca de conjuntos de dados. Já vimos o Google Colab. Então, vou usar a segunda sintaxe para instalar a biblioteca de conjuntos de dados no Google Então, essa foi a nossa Gold Collab. Já vimos como instalar a biblioteca de transformadores. Podemos instalar a biblioteca de conjuntos de dados aqui mesmo, mas deixe-me criar um novo caderno, vá para Arquivo Clique em Novo caderno. Agora, um novo caderno Python Vamos digitar o comando para instalar conjuntos de dados, Pip install PIP space install space datasets e apenas executar a célula a Eu também mostrei isso antes. Vamos esperar. O Tik Mark está visível. Isso significa que o instalamos com sucesso. Você também pode salvá-lo aqui, eu já lhe disse antes, salve e vamos adicionar o nome ao nosso notebook Python Então, dessa forma, pessoal, podemos instalar facilmente a biblioteca de conjuntos de dados Nas próximas aulas, também veremos como trabalhar com eles e seus casos de uso. Pessoal, vimos o que é a biblioteca de conjuntos de dados. Entendemos facilmente o conceito , também seus casos de uso, e também vimos como instalar a biblioteca de conjuntos de dados 6. Biblioteca de tokenizers para abraçar o rosto: Nesta lição, entenderemos biblioteca de tokenizadores da fase de abraços Com isso, também veremos como instalá-lo. A Biblioteca de Tokenizadores é uma biblioteca rápida e eficiente para tokenizar texto, que geralmente é usada junto com a biblioteca que geralmente é usada Já vimos a biblioteca de transformadores antes nas aulas anteriores Portanto, a biblioteca tokenizer é uma biblioteca rápida, eficiente e flexível projetada para tokenizar dados projetada para tokenizar O que é uma etapa crucial no processamento da linguagem natural. A tokenização envolve a divisão de textos em unidades menores, como palavras, subpalavras ou caracteres, subpalavras ou caracteres, depois eles são convertidos em representações numéricas Nesta lição, entenderemos o que é a biblioteca do tokenizer, por que usá-la, seus casos de uso como instalá-la Então, vamos começar, já vimos o que é a biblioteca de tokenizers Então, agora veremos por que usar a biblioteca de tokenizers. É muito rápido para tokenização, que significa otimizado para tokenização rápida, mesmo Ele também oferece suporte a tokenizadores personalizados, além de ser flexível o suficiente para suportar vários A integração é possível. Isso significa que você pode trabalhar com outras bibliotecas de rostos atraentes, como transformers Ele tem uma API fácil para tokenizar, decodificar e Com isso, você pode acessar facilmente tokenizadores pré-treinados. Agora vamos ver os casos de uso. Tokenize facilmente os dados textuais para classificar o texto para detecção de spam Com isso, você também pode analisar o spam. Faça análises de sentimentos com facilidade, alinhe os tokens com os rótulos das entidades Também é usado para tradução automática. Alguns de seus outros casos de uso incluem geração de texto e até mesmo respostas a perguntas. Com isso, treine e use tokenizadores para conjuntos de dados específicos do domínio Agora, vamos ver como instalar a biblioteca de tokenizers. Podemos usar o gerenciador de pacotes PEP PIPs para baixar, instalar e gerenciar pacotes Python, usar o espaço Syntax PIP instalar e gerenciar pacotes Python, usar o espaço Syntax PIP para instalar tokenizers para instalá-lo. Com isso, também podemos usar a biblioteca de tokenizers no Já vimos como instalar uma biblioteca no Google Collab. Da mesma forma, podemos usar o ponto de exclamação PIP space install space tokenizers para instalá-lo Além disso, na terceira forma, você pode pedir ao PIP que instale o pacote a partir do repositório de conjuntos de dados da fase de abraço Você também pode usar a terceira forma que é instalada diretamente do repositório Github, Digite o espaço PIP Instale o espaço Git mais o caminho do Github para instalá-lo mais o caminho do Github Agora vamos ver como instalar a Biblioteca Tokenizers no Abriremos o Google Colab novamente. Então, aqui está nosso Google Colab. Já instalamos a biblioteca de transformadores e conjuntos de dados. Podemos instalar a Biblioteca Tokenizer aqui mesmo, mas deixe-me criar um novo Notebook Python, GodOfle clique em New Notebook GodOfle Agora, vamos digitar o comando. exclamação, espaço PIP, instale tokenizadores de espaço Clique aqui, Execute o Sell. Agora, a biblioteca de tokenizers será instalada. Você também pode salvar isso. Como eu disse antes, ele criará um notebook Python Então, aqui, vou digitar o sublinhado de Smith. Você pode adicionar qualquer nome. E esse é o nosso caderno Python Ok, utilizaremos todas essas bibliotecas mais tarde quando trabalharmos nos casos de uso do Hugging Então, pessoal, vimos o que é a biblioteca de tokenizers. Também vimos sua finalidade, bem como os casos de uso. Com isso, também instalamos a biblioteca de tokenizers no 7. Abraçando o token de acesso facial (chave API) e como criar: Nesta lição, aprenderemos o que é um símbolo em excesso de abraço Com isso, também aprenderemos como criá-lo . Vamos começar. Considere um token em excesso como uma sequência segura de caracteres. Isso é usado principalmente para acessar serviços e recursos da fase de abraço A fase de abraço, a chave de API e o token de excesso da fase de abraço são Então, nesta lição, veremos o que é um token em excesso, ou seja, uma chave de API. Com isso, aprenderemos quando precisamos de um token de excesso da fase de abraço Além disso, entenderemos que quando o token de excesso da fase de abraço não for necessário, no final, aprenderemos como criar uma chave de API. Vamos começar. Então, abordamos o que é um APK, ou seja, um token em excesso na fase de abraço Agora vamos ver quando precisamos de um token de excesso da fase de abraço Aqui está. Ao usar um modelo privado ou fechado ou uma API de inferência, você precisa de um token de excesso de fase de abraço Você deve ter ouvido falar sobre Meta Sama. É um modelo privado. Para acessá-lo, você precisa se autenticar. Isso significa que você precisa criar uma chave de API. Você precisa de um token. Com isso, se você estiver usando a API de inferência huggingpas, precisará de um token de acesso para fazer chamadas de API precisará de um token de acesso para fazer Além disso, se você estiver fazendo upload de modelos conjuntos de dados ou até mesmo espaços para o hub Hugging Pace, precisará Agora vamos ver quando você não precisa de um token de acesso huggingfas Obviamente, se você estiver acessando modelos públicos que estão disponíveis publicamente para download e uso, você não precisa de um token em excesso. Assim como o GPD two, também, se você estiver usando os modelos por meio da biblioteca de transformadores da fase Hugging, não precisará Eles estão disponíveis publicamente e podem ser baixados facilmente sem qualquer autenticação, sem qualquer APake Além disso, muitos modelos de código aberto estão disponíveis para acessar esses modelos, você não precisa de uma chave de API, não precisa de um token de acesso porque eles estão disponíveis gratuitamente. Portanto, nas próximas aulas, trabalharemos apenas nesses modelos públicos e de código aberto para que não haja necessidade de criar um token de acesso à fase de abraço Agora, vamos ver como criar um token de acesso à fase de abraço Então, acessaremos o site da Hugging Phase e criaremos um token de acesso . Então, vamos começar. Abra o site oficial huggface.co, clique em Entrar e pressione Enter. Então aqui está, você precisa se juntar. Isso significa que você precisa criar uma conta no Hugging face. Aqui você pode usar seu endereço de e-mail. Então, deixe-me criar minha conta. Então, aqui eu adicionei uma conta, meu ID de e-mail. Não, digite a senha. Aqui está agora, clique em Avançar, complete seu perfil aqui, adicione um nome de usuário. Adicione seu nome. Você também pode adicionar seu nome de usuário do Twitter. Esses também são perfis opcionais do LinkedIn. Você também pode fazer o upload do seu OTR. Vou clicar. Além disso, você pode adicionar seu nome de usuário do iTub e seu site Como você pode ver, eles são opcionais. Clique em Eu tenho vermelho. E depois disso, clique em Criar conta. Criamos uma conta. Você precisa verificar suas cartas de e-mail para obter um link de confirmação. Agora sua conta está verificada. Seu endereço de e-mail foi verificado. Clique no seu perfil. Vá abaixo. Está escrito em excesso de tokens. Aqui está. Clique nele. Agora, você precisa criar um novo token clicando aqui. Lembre-se de não compartilhar seus tokens excedentes com ninguém. Crie um novo token. Adicione o nome do token. Digamos que eu digite a chave Demo. Ok. Agora vá abaixo. Clique em Criar token. A chave foi criada com sucesso. Você pode copiá-lo e salvá-lo. Aqui está escrito, salve-o em algum lugar seguro. Você não poderá vê-lo novamente depois de fechar este modelo. Clique em Concluído. Agora todas as suas chaves estão visíveis. Aqui está, criamos uma única chave agora e, ao clicar aqui, você pode editá-la. Você pode editar as permissões e também excluí-las. Ok, vimos o que são fichas em excesso ou chave APA em uma cara de abraço Com isso, também aprendemos a criar. 8. Baixe um conjunto de dados sobre o rosto abraçado: Nesta aula, nós vamos aprender como baixar um conjunto de dados da fase Hugging Para isso, usaremos a biblioteca de conjuntos de dados. Vamos ver que um conjunto se refere a uma coleção de dados estruturados, que podem ser usados para treinar, avaliar ou testar modelos de aprendizado de máquina Portanto, a Hugging Pace é ter muitos conjuntos de dados em sua plataforma, que podem ser usados para vários casos de uso Usaremos a biblioteca de conjuntos de dados para baixar um conjunto de dados da fase Hugging. Deixe-nos ver. Primeiro, vamos ver os conjuntos de dados. Acesse os conjuntos de dados slash do site Hugging Phase. Então, esses são os conjuntos de dados fornecidos pela Hugging face. Você pode ver muitos deles. Vamos ver como podemos baixá-lo. Então, iremos para a mesma plataforma, o Google Colab, que usamos anteriormente neste tutorial. Aqui está. Ok. Então esse é o caderno que já criamos. Primeiro, instalamos a biblioteca de conjuntos de dados. Eu já te disse como instalá-lo no Google Colab usando o comando PIP. Depois disso, carregamos um conjunto de dados usando o conjunto de dados load underscoe Função. Essa função pode baixar conjuntos de dados do hub Hugging Face ou carregá-los de Estamos baixando um conjunto de dados do Hugging Face Hub agora mesmo Aqui está. Ok, aqui estamos carregando o conjunto de dados do IMDB Depois disso, estou imprimindo o conjunto de dados usando o método print Aqui, estamos importando a função de conjunto de dados de sublinhado de carga conjunto de dados de sublinhado Isso fornece acesso a vários conjuntos de dados públicos, como o IMDB, neste caso Aqui estamos carregando o conjunto de dados do IMDB. O conjunto de dados do IMDB contém resenhas de filmes rotuladas como positivas ou negativas ou classificação Quando você executa, ele baixa e processa automaticamente o conjunto de dados. Aqui estamos imprimindo o conjunto de dados. Isso dividirá o conjunto de dados em treinamento e teste. Ok, isso exibirá uma visão geral do conjunto de dados, incluindo o número de amostras em cada divisão Vamos ver depois de executar, aqui está, ele está nos mostrando a estrutura do conjunto de dados do IMDB Como dicionário de conjuntos de dados, que organiza o conjunto de dados em diferentes divisões O trem contém 25 Kos com texto especial para resenhas de filmes e rótulo para sentimentos como positivos ou negativos Aqui, para teste, são 25 Kos para fins de teste com os mesmos recursos Ele contém 50 Kos, mas essa divisão normalmente não tem rótulos para análise de sentimentos. É frequentemente usado para tarefas como pré-treinamento ou aprendizado semisupervisionado. Nisso, pessoal, podemos baixar um conjunto de dados. 9. Baixe um modelo do Hugging Face: Nesta lição, aprenderemos como baixar um modelo do Hugging Deixe-nos ver. Então, para fazer o download, usaremos a biblioteca de transformadores Com isso, também podemos baixar diretamente do Hugging Face Hub Vamos ver um guia passo a passo para baixar e usar modelos da Hugging Usaremos a biblioteca de transformadores, que já discutimos Deixe-nos ver. Aqui está nosso código VS. Já criamos um arquivo de caderno, caderno aberto. Então, aqui já criamos o modelo de download do AmtnderScoe. Nisso, o que fizemos primeiro, instalamos a biblioteca de transformadores Já discutimos que a Hugging Phase desenvolveu essa biblioteca Então, usamos o PIP para instalá-lo no Google Colab. Depois disso, o que fizemos aqui, baixamos um modelo usando a biblioteca de transformadores Usamos o método pré-treinado From underscore para isso Esse método baixa os pesos, a configuração e o tokenizador do modelo do hugging Phase Estamos baixando um modelo de pássaro pré-treinado. Aqui está. Depois de executar o que vamos conseguir, fizemos isso e obtivemos a forma. Essa forma é comumente vista em modelos bits em que cada token em uma sequência é representado por um vetor de 768 dimensões Quando usamos o modelo sem caixa com hífen básico de Burt e passamos a fase de entrada hello hugging, a última forma de saída de estado oculto representa as dimensões do passamos a fase de entrada hello hugging, a última forma de saída de estado oculto representa as dimensões do tensor. Neste exemplo, a forma que você normalmente vê é a seguinte. Aqui, um está visível. É o tamanho do bastão, pois há uma frase de entrada. Sete é o comprimento da sequência. Isso corresponde à versão tokenizada da fase de abraços de saudação, incluindo tokens especiais Isso significa a seguinte fase de abraços e saudações. 768 é o tamanho oculto. Cada token é representado como um padrão vetorial de 768 dimensões para a arquitetura de base de pássaros Dessa forma, pessoal, podemos baixar facilmente um modelo usando a biblioteca de transformadores com o Google Colab 10. Análise de sentimentos usando o abraço do rosto: Nesta aula, nós vamos aprender como implementar a análise de sentimentos com Hugging face Vamos entender o que é análise de sentimentos com seu tipo Depois disso, executaremos um exemplo de codificação no Google Colab. Vamos ver se já discutimos a biblioteca de transformadores fornecida pela Hugging É uma ferramenta poderosa para tarefas como análise de sentimentos. Agora, o que é análise de sentimentos? Como o nome sugere, isso inclui determinar o sentimento expresso em um trecho de texto, como negativo ou neutro Então, digamos que eu amo críquete, então essa é uma frase positiva Ok, eu não gosto de algo, vou bater em algo, então esse é um sentimento negativo Da mesma forma, quando eu explicar os tipos de análise de sentimentos, as coisas ficarão mais claras A primeira é a detecção de polaridade positiva, negativa ou neutra Eu amo esse produto, é positivo, obviamente. O serviço é péssimo, não é bom, é negativo. E quando as coisas não estiverem claras, será neutro, como se o pacote chegasse a tempo. Em seguida, vem a detecção de emoções. Digamos que você disse: Isso não é bom, isso é patético. Isso é muito frustrante. Isso é raiva. E a alegria é expressa por uma frase como “Estou entusiasmado com os resultados Portanto, a detecção de emoções inclui felicidade, frustração e outras emoções Em seguida, vem a análise de sentimentos baseada em aspectos, como o sentimento em relação a um produto ou serviço específico Como se a comida estivesse ótima, mas o serviço fosse lento. Nesse caso, a comida está tendo um sentimento positivo, obviamente Mas como o serviço não foi bom, é um sentimento negativo Depois, a análise da intenção, como a intenção de comprar algo para reclamar Digamos que você disse : Posso comprar este produto? Então essa é uma intenção de compra. Então, esses eram os tipos de análise de sentimentos. Agora, vamos ver o exemplo de codificação. Para isso, usaremos um modelo público. Portanto, não criaremos um token em excesso porque, para modelos públicos, como eu já disse, não precisamos dele. Executaremos o código no Gool Colab. Para maior eficiência, também podemos alterar o tempo de execução no Google Collab, então eu também vou mostrar isso com o exemplo Vamos começar Aqui está o nosso Google Colab. Ok, deixe-me abrir o código, o arquivo, abrir o caderno. Eu já criei o projeto. Aqui está a análise de sentimentos. Aqui está. Portanto, para maior eficiência, podemos alterar o tipo de tempo de execução. Clique no menu de tempo de execução, clique aqui, altere o tipo de tempo de execução. Ok. Podemos ver já selecionamos a GPU To, o que não é um problema Se o seu projeto for bastante complexo ou se você estiver tendo um projeto de grande escala, você também pode selecionar a TPU V dois hífen e oito Vou manter o mesmo, ok? Então, inicialmente aqui, o que fizemos, primeiro, instalamos as bibliotecas necessárias, ou seja, transformadores e tocha Ok, usamos o papel. Já discutimos como instalá-lo nas lições anteriores. Depois disso, nós o executamos usando essas execuções importamos os módulos necessários nesta linha. Aqui, carregamos o pipeline de análise de sentimentos. A função de pipeline fornece uma maneira simples realizar várias tarefas de PNL, incluindo análise de sentimentos. Você pode carregar um modelo pré-treinado de análise de sentimentos da seguinte forma Então, aqui, o que fizemos foi carregar o seguinte modelo. Ok. Depois disso, realizamos uma análise de sentimentos. Como carregamos o pipeline de análise de sentimentos, use-o para analisar o sentimento de um trecho de texto Então, aqui, eu adoro jogar e assistir críquete. Estas são minhas mensagens, e eu odeio quando estamos em Collis é um século Então, obviamente, você pode adivinhar que essa é uma frase positiva e essa é uma frase negativa. Você pode adivinhar isso facilmente. Então essa é a análise do sentimento. Aqui, a saída que você pode ver é uma lista de dicionários. Aqui está aqui que cada dicionário contém o rótulo do sentimento e o conjunto de confiança. Aqui está o rótulo e o núcleo da confiança. Então, aqui analisamos vários textos ao mesmo tempo, passando uma lista de picadas para o analisador de sentimentos. Agora, vamos entender completamente a saída. A pontuação na saída do pipeline de análise de sentimentos da fase de abraço representa o nível de confiança ou a probabilidade que o modelo atribui ao rótulo de sentimento preditivo o nível de confiança ou a probabilidade que o modelo atribui ao rótulo atribui ao Isso indica a confiança do modelo de que o texto fornecido corresponde ao sentimento preditivo A pontuação é um valor de 0-1. Como você pode ver, a pontuação mais próxima de um significa que o modelo está muito confiante em sua previsão. Se a pontuação estivesse mais próxima de zero, isso significaria que o modelo está menos confiante em sua previsão. O rótulo positivo indica que o modelo prevê que o sentimento do texto é positivo. Isso é o seguinte. O negativo significa o oposto, ou seja, negativo. Aqui está. Então, aqui você deve estar se perguntando por que a pontuação é tão alta, próxima de um. Isso ocorre porque o modelo que estamos usando foi ajustado em um grande conjunto de dados e é altamente preciso para tarefas de análise de sentimentos. O texto de entrada provavelmente contém uma linguagem forte e inequívoca que torna mais fácil para o modelo prever o sentimento com alta confiança, como comer significa negativo e amor significa positivo Então, dessa forma, pessoal, podemos trabalhar na análise de sentimentos com um rosto abraçado 11. Classificação de texto usando o abraço do rosto: Nesta aula, nós vamos aprender como podemos usar a fase de abraços para classificação de texto Primeiro, entenderemos o que é classificação de texto. Com isso, também veremos a diferença entre análise de sentimentos e classificação de texto Depois disso, criaremos e executaremos um exemplo no Google Colab. Vamos começar. A classificação de texto, como o nome sugere, pode ser usada para detecção de spam. Portanto, no seu ID de e-mail, você deve ter visto que alguns e-mails vão para Spam, outros não são considerados spam. Da mesma forma, você também pode classificar artigos de notícias ou documentos como artigos esportivos na categoria esportes, um artigo relacionado à tecnologia na categoria tecnologia Além disso, também inclui um caso de uso para detecção de intenção, como cancelar um pedido, reservar um voo e outros Então, vamos ver até agora, abordamos a análise de sentimentos. Então, aqui está a diferença entre análise de sentimentos e classificação de texto Como o nome sugere, a análise de sentimentos é restrita. Isso é específico para o sentimento. Digamos que tenha um sentimento positivo para um texto como I love Cricket Da mesma forma, os rótulos para classificação de texto dependem da tarefa, como acabei discutir sobre spam ou não spam ou tópicos diferentes. Com isso, para análise de sentimentos, discutimos anteriormente que ela é principalmente positiva, negativa ou neutra Alguns casos de uso incluem classificar e-mails como spam ou não spam na classificação de texto Na análise de sentimentos, um dos casos de uso pode ser uma avaliação positiva do produto Agora, vamos ver um exemplo de codificação em que detectaremos spam ou não spam com base em um texto Usaremos um modelo disponível publicamente que é o seguinte. Portanto, não precisaremos nenhum token em excesso da Hugging Face para Então, vamos ver o exemplo e classificar o texto como spam ou não Spam Aqui está o nosso Google Colab. Nós criamos esses cadernos até agora Vamos abrir nosso caderno de classificação de texto , caderno aberto. Aqui está. Nós já o criamos. Vamos ver as etapas. Primeiro, instalaremos as bibliotecas necessárias. Isso é para começar com a biblioteca Hugging Face Transformers, bem como com a biblioteca Então, usamos o comando PIP install para isso. Vamos lá embaixo. Depois disso, importaremos os módulos necessários. Aqui, importamos o módulo de tubulação. Em seguida, carregamos um modelo pré-treinado de detecção de spam que é o seguinte aqui. Ele está disponível gratuitamente. Por isso, não aplicamos nenhuma chave para abraçar o rosto. Agora, a próxima etapa inclui realizar a detecção de spam. Primeiro, definimos vários textos para que possamos detectar se esses textos são spam ou não. Classificamos vários textos ao mesmo tempo, passando uma lista de sequências de caracteres. Aqui está. Mapeamos rótulos para spam e não para spam aqui. Aqui está o mapeamento de rótulos. Negativo significa spam, neutro significa não spam, positivo significa não spam. Ok. Para exibir os resultados, usamos os quatro em loop. Aqui está. O que vai acontecer? Uma pontuação será visível na saída. Ok. A saída também incluirá o rótulo, independentemente de ser spam ou não. Com isso, a pontuação também ficará visível. Essas são as pontuações de confiança. Aqui está, então, de acordo com nosso modelo, o primeiro texto é um spam. Obviamente, porque está mostrando parabéns. Temos um vale-presente da Amazon de 500 INR, clique aqui para solicitar agora O segundo não é um spam. Obviamente, aqui Myth. Vamos ter uma reunião amanhã às 12h. Então, obviamente, isso não é um spam O último também é considerado spam. Recebemos muitos desses e-mails de spam informando que sua conta do Gmail foi comprometida Aqui, o intervalo de confiança está exibindo a pontuação. Pontuações de confiança baixas indicam que o modelo não tem certeza sobre suas previsões O modelo a seguir foi ajustado para análise de sentimentos, mas não especificamente para detecção de spam Ainda o estamos adaptando para detecção de spam. Ok. É por isso que aqui não está mostrando spam, mas a pontuação de confiança é ainda menor que 0,7. Eu lhe disse que pontuações de baixa confiança indicam que o modelo não tem certeza sobre suas previsões Você pode definir um modelo diferente aqui a partir da fase de abraços Aqui estamos mostrando um exemplo. Dessa forma, podemos usar a biblioteca de transformers em Hugging Face para Isso é para realizar a classificação do texto. 12. Resumos de texto usando o abraço do rosto: Nesta aula, nós vamos entender como realizar resumos usando um abraço facial Primeiro, entenderemos por que precisamos resumir e, em seguida, veremos um exemplo de codificação no Google Colab para resumir o texto. Vamos começar. A fase de abraço Transformers Library, como você já sabe, é usada para Isso também inclui resumir o texto. Então, por que resumir? Na verdade, a sumarização é usada em muitos aplicativos do mundo real Você deve ter visto o resumo de artigos longos em pequenos trechos com o resumo documentos ou trabalhos de pesquisa Os chatbots também fornecem respostas rápidas e concisas. Com isso, você pode extrair pontos-chave e resumos de um documento e também de grandes conjuntos de Agora vamos ver um exemplo. Aqui, usaremos o seguinte modelo, que está disponível publicamente no Hugging face. Portanto, não precisamos adicionar o token em excesso. Ok, vamos executar o código no Google Colab como vimos antes Então, vamos ver o código. Então, aqui está o nosso Google Colab Abriremos nosso arquivo de código, abriremos o caderno. Então, aqui estamos discutindo sobre a sumarização. Aqui está nosso código. Primeiro, o que fizemos foi instalar as bibliotecas necessárias. Portanto, instalamos os transformadores a biblioteca Pytoch aqui usando o comando PIP Já discutimos esse comando antes. Depois disso, usaremos o Atomdel para sequência a sequência LM e o tokenizador automático para obter mais controle sobre o processo, para que possamos carregar o modelo e o Então, isso é o que fizemos aqui. Aqui, carregamos o seguinte modelo pré-treinado para resumo Então, aqui definimos o texto de entrada para resumir. Então esse é o nosso texto. Vamos resumir isso Primeiro, tokenizamos o texto de entrada usando o seguinte Ok, então aqui você pode ver alguns parâmetros. Esses parâmetros controlarão o tamanho e a qualidade dos resumos tamanho máximo do sublinhado é o número máximo de tokens no resumo Definimos 512, então aqui o resumo não terá mais do que 512 tokens Nós tokenizamos o texto de entrada aqui. Para gerar o resumo, usamos o método generate. Aqui temos alguns parâmetros para a entrada, os seguintes, tokenizados Em seguida, o comprimento máximo, que é o número máximo de tokens no resumo. Esse é o número mínimo de tokens no resumo. sublinhado de comprimento. O que é isso? Isso incentiva resumos mais longos ou mais curtos. Aqui estão dois, o que significa resumos mais longos. feixes Num underscoe controlam a largura de busca do feixe, aumentam os valores, melhoram a qualidade, mas diminuem Aqui, definimos para quatro. Isso significa quatro feixes para decodificação. Ok, então aqui está nossa opinião, e este é o resumo aqui. Imprimimos o resumo aqui. Nós resumimos isso. Ok. Então, dessa forma, pessoal, podemos usar a fase de abraços Então, dessa forma, pessoal, podemos resumir o texto facilmente. 13. Texto para texto (traduzir) usando o abraço do rosto: Nesta lição, entenderemos como podemos realizar a tradução usando o Hugging Isso é geração de texto para texto. Vamos ver para a tarefa de tradução, usaremos a biblioteca Hugging Phase Transformers Alguns modelos já estão disponíveis para isso. Portanto, a tradução, como todos sabemos, inclui, digamos, a tradução do inglês, do texto para o espanhol Essa é uma parte dos modelos de texto para texto que requer um prefixo de tarefa para especificar o tipo de tarefa, por exemplo, tradução, resumo e outros geração de texto para texto inclui não apenas tradução, mas também resumo, paráfrase, resposta a perguntas e até classificação de sentimentos A geração de texto para texto inclui não apenas tradução, mas também resumo, paráfrase, resposta a perguntas e até classificação de sentimentos. Então, vamos ver a diferença entre texto para texto e geração de texto. Portanto, a geração de texto é usada para geração de texto autoprogressiva em que o modelo gera texto sequencialmente, um token por vez, como sistemas de diálogo, preenchimentos de texto e outros A classe de geração de texto para texto é usada para tarefas de sequência em sequência, em que o modelo pega uma sequência de entrada e gera uma sequência de saída, como resumo de texto, paráfrase e até tradução Agora, vamos ver um exemplo para realizar a tradução usando a biblioteca Hugging Phase Transformers Neste usaremos um modelo T five underscore Small, que está disponível publicamente na fase Hugging Este modelo é uma versão menor do modelo T five e pode ser usado para tarefas como resumo, tradução e até mesmo responder perguntas Vamos ver o exemplo no Google Colab. Aqui está um Google Colab. Acabamos ver o exemplo de resumo de texto Agora vamos abrir. Agora, vamos abrir o exemplo da tradução. Aqui está. Primeiro, instalaremos as bibliotecas necessárias. Isso é o seguinte aqui. Usamos o comando PIP space install Já vimos esse comando antes. Depois disso, carregaremos um modelo de tradução pré-treinado. Foi aqui que carregamos o modelo T five. É um modelo versátil de texto para texto. Isso pode lidar com a tradução prefixando a entrada com um prompt específico da tarefa Então, estamos carregando um modelo T five. Aqui. Aqui preparamos o texto de entrada. Então esse é o texto que vamos traduzir, traduzir do inglês para o espanhol. Esse é o texto a seguir que vamos traduzir. Tokenize o texto de entrada em IDs de entrada que o modelo pode processar Use o modelo para gerar o texto traduzido. Você pode personalizar o processo de geração com parâmetros como comprimento máximo e feixes de sublinhado Nam que também vimos na lição anterior Aqui, os tokens de saída serão decodificados em texto e, depois disso, imprimiremos o texto traduzido Então, aqui está a saída, o texto traduzido. Meu nome é Amed Devan e adoro críquete. Então aqui está traduzido para o espanhol. Então, dessa forma, pessoal, podemos realizar a tradução. 14. Respondendo a perguntas usando o abraço do rosto: Nesta aula, nós vamos entender como usar a fase de abraço para responder. Também veremos um exemplo. Vamos começar. Portanto, usaremos a biblioteca de transformadores da fase de abraço para realizar a tarefa de resposta Quotien Executaremos o código no Google Colab. Então, aqui vamos usar o modelo a seguir, que está disponível publicamente na fase de abraços, então não precisamos criar um token em excesso para Vamos ver o exemplo no Google Colab. Então, aqui vamos abrir nosso código. Primeiro, instalaremos as bibliotecas necessárias que mostramos. Usamos o mesmo comando de instalação do PIP que vimos antes para instalar as bibliotecas necessárias Depois disso, carregaremos um modelo de controle de qualidade e um tokenizador pré-treinados modelo de controle de qualidade e um tokenizador Aqui está nosso modelo e o tokenizador. Prepare a entrada para a tarefa de controle de qualidade. Isso é para a tarefa de responder diariamente. Precisamos de um contexto e também de um quotien. Qual é o contexto agora? um parágrafo ou texto em que a resposta pode ser encontrada. Isso é o seguinte. Também estou fornecendo um contexto, e aqui está a citação Então isso é sobre mim, e aqui está a pergunta que você quer responder. OK. Então, dissemos as duas coisas. Depois disso, tokenizaremos a entrada, tokenizaremos o contexto e o quotien usando o tokenizador contexto e o quotien usando o tokenizador. Fizemos as duas coisas. Obtenha a previsão do modelo, passe a entrada tokenizada para o modelo para obter a resposta. Isso é o seguinte. Ele também extrairá as pontuações inicial e final. Obterei as posições inicial e final mais prováveis aqui e ele as usará para converter IDs de token de volta em palavras, para que a resposta seja exibida aqui. Os tokens de resposta e discoteca serão colocados aqui e serão decodificados de volta para Isso terá sua saída. Então, aqui o quotien era onde se baseia o meio do um. O contexto era o seguinte, e a resposta é delicatessen Então, dessa forma, pessoal, podemos responder facilmente. 15. Texto para imagem usando o abraço do rosto: Nesta aula, entenderemos como podemos transformar texto em imagem usando um abraço facial. Vamos entender com um exemplo, então aqui vamos usar a biblioteca de difusores Hugging Face Este exemplo também usará o modelo de difusão estável, que é um dos modelos de imagem de texto mais populares disponíveis na biblioteca de difusores Agora, o que é a biblioteca de difusores e a difusão estável? A biblioteca de difusores é uma biblioteca Python de código aberto para se concentrar em modelos de difusão para gerar imagens , áudio e outros tipos de dados se concentrar em modelos de difusão para gerar imagens , áudio e outros tipos Essa é uma classe de modelos generativos desenvolvida apenas pela Hugging O que é difusão estável? É um modelo de difusão latente projetado para geração de imagens de alta qualidade Assim, você pode gerar imagens de bailes de texto usando isso. É também um dos modelos generativos mais populares. Vamos ver o exemplo. Aqui, usaremos um modelo disponível publicamente no huggingface Vamos ver o exemplo e converter texto em imagem. A saída será gerada como uma imagem no próprio Google Colab. Então vamos ver. Aqui está nosso Google Colab Vamos abrir nosso caderno para texto em imagem. Aqui está. Primeiro, instalaremos as bibliotecas necessárias usando o mesmo comando pip install que já discutimos Então, agora vamos carregar a tubulação de difusão estável. A biblioteca de difusores fornece um canal de difusão estável que facilita a geração de imagens a partir de solicitações de texto Vamos carregar o modelo de difusão estável aqui. Agora, gere uma imagem a partir de um prompt de texto, gere facilmente uma imagem passando um texto promocional para o pipeline. Aqui está nosso aviso. Carros voadores sobrevoam uma paisagem urbana futurista ao pôr do sol. O seguinte gerará a imagem. OK. Aqui está nossa imagem. Essa imagem será salva no Google Colab usando apenas o mesmo método e também imprimirá a imagem salva como imagem de sublinhado gerada com pontos PNG O arquivo PNG será gerado, onde ficará visível no Google Colab, clique aqui Você pode ver os arquivos. Agora, vou executá-lo. Vou executá-lo. Vou executar isso agora. Agora, estou correndo para gerar uma imagem e salvá-la. Ok, então aqui está nossa imagem. Está escrito. Imagem salva como PNG de ponto de imagem de sublinhado gerada. Ok, então ele gerou isso. Eu vou para cá a partir daqui. Você pode baixá-lo. Você também pode copiar o caminho. Vou clicar em Baixar. Foi baixado. Ok, aqui está. Então, geramos uma imagem que é texto para imagem. 16. Texto para vídeo usando o abraço do rosto: Nesta aula, entenderemos como transformar texto em vídeo usando a expressão de insistência Isso é chamado de síntese de texto em vídeo. Entenderemos o que é e também executaremos um exemplo de amostra. Então, vamos começar com a conversão de texto em vídeo, incluindo a geração de vídeo a partir de descrições textuais como digitar um texto e gerar um Como vimos na lição anterior, texto para imagem, digitamos um texto e geramos uma imagem Nesse caso, geraremos um vídeo. Portanto, temos muitos modelos e ferramentas pré-treinados para gerar vídeos. Abraçar o rosto fornece os mesmos modelos. A síntese de texto para vídeo, Tom, acabei de contar, inclui a geração de uma sequência de quadros com base em uma descrição textual Como é uma tarefa complexa, requer a combinação de diferentes modelos de PNL com modelos generativos ou mesmo modelos de difusão Ok, os modelos de difusão que vimos na lição anterior são usados para gerar imagens ou vídeos Vamos ver algumas estruturas de geração de vídeo antes de seguir para o exemplo Um dos mais populares é o runway ML. Ele oferece ferramentas para geração e edição de vídeo. Principalmente para vídeos gerados, você pode usar os laboratórios da PIA. Com esse percebedor mental profundo, o IO também pode ser usado para lidar com entradas multimodais A entrada multimodal pode incluir imagens de texto e até vídeos. Você precisa usar uma biblioteca como Pitch ou tensor flow para criar pipelines para gerar quadros de vídeo Vamos ver um exemplo. Então, aqui também usaremos a biblioteca de difusores Já discutimos a biblioteca de difusores. É uma biblioteca de código aberto desenvolvida pela Hugging Face e usada para gerar imagens e até vídeos Usaremos o modelo de divisão estável disponível publicamente. Em nosso exemplo, executaremos o código no Google Colab como vimos antes Vamos começar. Aqui está um Google Collab Vamos abrir nosso código, arquivo, abrir caderno. Abriremos nosso caderno para texto em vídeo. Vou digitar o vídeo apenas para pesquisar. Aqui está. Primeiro, vamos instalar. Então, aqui usamos o comando pip install para instalar os transformadores, bem como a biblioteca de difusores também com o Depois disso, carregaremos um texto modelo de imagem, então aqui estamos carregando. Esse é o modelo que eu já te contei. Usamos a biblioteca de difusores para carregar um texto pré-treinado modelo de imagem, como difusão estável Gere quadros a partir do texto primeiro, definimos o baile. Aqui, geraremos quadros individuais com base na descrição do texto. Esta é a descrição do texto, uma paisagem urbana futurista à noite Isso gerará dez quadros usando o loop externo. Aqui está dez e será anexado. Posteriormente, usamos a biblioteca OpenCV para esboçar os quadros em Aqui estamos usando o OpenCV dentro do laço externo para que possamos costurá-lo Também usamos a biblioteca Numpi. Estamos usando a matriz Numpi nela. Portanto, isso salvará os quadros como imagens. E isso unirá os quadros em vídeos, e o seguinte exibirá a saída, que reúne os quadros usando o loop externo E a saída será exibida assim na forma de quadros. Então, aqui, quando eu corro, ele me exibe dez quadros porque estamos gerando dez quadros aqui. E depois disso, ele exibirá o vídeo. Então aqui está a saída, o vídeo de saída terá o seguinte nome output underscore video dot mp four, mas também gerará quadros Quantos quadros? Dez quadros. O formato do quadro será o seguinte: quadro sublinhado o valor de I. Então, os quadros seriam como quadro sublinhado zero ponto PNG, quadro sublinhado um ponto PNG e continuarão até nove Isso significa dez quadros. E a saída estará aqui, eu te disse. Agora vamos executá-lo. R Agora vamos clicar aqui. E aqui você pode ver que eu disse que ele gerará dez quadros. quadro sublinha zero ponto png até nove e o vídeo de saída estará aqui Então essa foi a saída. Vou clicar aqui e clicar em Baixar. Faça o download. Clique com o botão direito e abra. Aqui está nosso vídeo. Ok, você pode ver dez quadros. Então, dessa forma, pessoal, podemos gerar vídeo a partir de texto com um rosto abraçado. Obrigado por assistir ao vídeo.