හැඳින්වීම

Ask a Question

ඔබ පරිච්ඡේදය 1 හි දැක ඇති පරිදි, පරිවර්තක ආකෘති සාමාන්‍යයෙන් ඉතා විශාල වේ. මිලියන සිට දස බිලියන දක්වා පරාමිති සමඟ, මෙම ආකෘති පුහුණු කිරීම සහ යෙදවීම සංකීර්ණ කටයුත්තකි. තවද, නව ආකෘති ආසන්න වශයෙන් දෛනික පදනමින් නිකුත් කරනු ලබන අතර සෑම එකක්ම තමන්ගේම ක්‍රියාත්මක කිරීමක් ඇති බැවින්, ඒවා සියල්ලම පරීක්ෂා කිරීම පහසු කාර්යයක් නොවේ.

මෙම ගැටළුව විසඳීම සඳහා 🤗 පරිවර්තක library නිර්මාණය කරන ලදී. එහි ඉලක්කය වන්නේ ඕනෑම පරිවර්තක ආකෘතියක් පැටවීමට, පුහුණු කිරීමට සහ සුරැකීමට හැකි තනි API එකක් සැපයීමයි. libraryයේ ප්‍රධාන ලක්ෂණ:

මෙම අවසාන විශේෂාංගය 🤗 පරිවර්තක අනෙකුත් ML library වලට වඩා බෙහෙවින් වෙනස් කරයි. ආකෘති මොඩියුල මත ගොඩනගා නැත ගොනු හරහා බෙදා ගැනීම; ඒ වෙනුවට, සෑම ආකෘතියකටම තමන්ගේම ස්ථර ඇත. ආකෘති වඩාත් ප්‍රවේශ විය හැකි සහ තේරුම් ගත හැකි බවට පත් කිරීමට අමතරව, අනෙක් අයට බලපෑම් නොකර එක් ආකෘතියක් මත පහසුවෙන් අත්හදා බැලීමට මෙය ඔබට ඉඩ සලසයි.

පරිච්ඡේදය 1 හි හඳුන්වා දී ඇති pipeline() කාර්ය ප්‍රතිනිර්මාණය කිරීම සඳහා අපි ආකෘතියක් සහ ටෝකනකාරක භාවිතා කරන අන්තයේ සිට අන්තය දක්වා ඇති උදාහරණයකින් මෙම පරිච්ඡේදය ආරම්භ වනු ඇත. මීළඟට, අපි ආදර්ශ API ගැන සාකච්ඡා කරන්නෙමු: අපි ආකෘතිය සහ වින්‍යාස පන්ති වෙත කිමිදෙමු, සහ ආකෘතියක් පූරණය කරන්නේ කෙසේද සහ එය ප්‍රතිදාන අනාවැකි සඳහා සංඛ්‍යාත්මක යෙදවුම් සකසන ආකාරය පෙන්වමු.

ඉන්පසුව අපි ‘pipeline()’ කාර්යයේ අනෙක් ප්‍රධාන අංගය වන ටෝකනකාරක API දෙස බලමු. ටෝකනකාරක විසින් ස්නායුක ජාලය සඳහා පාඨ සිට සංඛ්‍යාත්මක යෙදවුම් වෙත පරිවර්තනය කිරීම සහ අවශ්‍ය වූ විට නැවත පාඨ බවට පරිවර්තනය කිරීම, පළමු සහ අවසාන සැකසුම් පියවර ගැන සැලකිලිමත් වේ. අවසාන වශයෙන්, සකස් කළ කණ්ඩායමක ආකෘතියක් හරහා වාක්‍ය කිහිපයක් යැවීම හසුරුවන්නේ කෙසේදැයි අපි ඔබට පෙන්වන්නෙමු, ඉන්පසු ඉහළ මට්ටමේ ටෝකනකාරක() කාර්ය දෙස සමීපව බැලීමෙන් සියල්ල අවසන් කරමු.

⚠️ අපි ආකෘති කේන්ද්‍රය සහ 🤗 පරිවර්තක සමඟ ඇති සියලුම විශේෂාංග වලින් ප්‍රතිලාභ ලබා ගැනීම සඳහා , නිර්දේශ කරමු ගිණුමක් නිර්මාණය කිරීම.