1. Learn
    2. /
  2. Courses
    3. /
  3. Trabalhando com o Hugging Face
  • 1

    Como começar a usar o Hugging Face

    Free

    Comece sua jornada com a plataforma Hugging Face entendendo o que é Hugging Face e os casos de uso comuns. Em seguida, você aprenderá sobre o Hugging Face Hub, incluindo modelos e conjuntos de dados disponíveis, como pesquisá-los, navegar pelo modelo ou conjunto de dados, cartões e fazer download. Por fim, você aprenderá sobre os componentes de alto nível de transformadores e LLMs.

  • 2

    Criando pipelines com o Hugging Face

    É hora de você mergulhar no ecossistema do Hugging Face! Você começará aprendendo os conceitos básicos do módulo de pipeline e das classes Auto da biblioteca de transformadores. Em seguida, você aprenderá em alto nível o que é processamento de linguagem natural e tokenização. Por fim, você começará a usar o módulo de pipeline para várias tarefas baseadas em texto, inclusive a classificação de texto.

  • 3

    Criação de pipelines para imagem e áudio

    Neste capítulo, você aplicará metodologias de pipeline a novas tarefas usando dados de imagem e áudio. Especificamente, você aprenderá maneiras de processar esses tipos de dados em preparação para tarefas como classificação, perguntas e respostas e reconhecimento automático de fala.

  • 4

    Ajuste fino e embeddings

    Explore as diferentes estruturas para ajuste fino, geração de texto e incorporação. Comece com os princípios básicos de ajuste fino de um modelo pré-treinado em um conjunto de dados e tarefa específicos para melhorar o desempenho. Em seguida, use as classes Auto para gerar o texto a partir de prompts e imagens. Por fim, você explorará como gerar e usar embeddings.

Initializing

Exercise

Usando a pesquisa semântica

A semelhança, ou proximidade, entre uma consulta e as outras frases, ou documentos, é a base da pesquisa semântica. Esse é um método de pesquisa que leva em conta o contexto e a intenção da consulta. Medidas de similaridade, como a similaridade de cosseno, são usadas para quantificar a distância entre a consulta e cada frase dentro do espaço dimensional. Os resultados de uma pesquisa são baseados nas frases mais próximas da consulta.

Você usará a pesquisa semântica para retornar os dois principais tópicos do Reddit relevantes para a consulta do usuário, "I need a desktop book reader for Mac".

O embedder e o sentence_embeddings já estão carregados para você junto com o util.semantic_search().

Instructions

100 XP
  • Gere embeddings para a consulta e salve como query_embedding.
  • Use util.semantic_search para comparar a incorporação da consulta com as incorporações de frases e salve como hits.
  • Preencha o formulário for-loop para imprimir os resultados de hits[0].