diff --git a/chapters/es/_toctree.yml b/chapters/es/_toctree.yml index 10e3ce7a6..57d05936c 100644 --- a/chapters/es/_toctree.yml +++ b/chapters/es/_toctree.yml @@ -29,6 +29,8 @@ - title: 2. Usando Transformers 馃 sections: + - local: chapter2/1 + title: Introducci贸n - local: chapter2/4 title: Tokenizadores - local: chapter2/5 diff --git a/chapters/es/chapter2/1.mdx b/chapters/es/chapter2/1.mdx new file mode 100644 index 000000000..44427ca0a --- /dev/null +++ b/chapters/es/chapter2/1.mdx @@ -0,0 +1,23 @@ +# Introducci贸n[[introduction]] + + + +Como viste en el [Cap铆tulo 1](/course/chapter1), los modelos Transformer suelen ser muy grandes. Con millones y hasta decenas de *miles de millones* de par谩metros, entrenar y desplegar estos modelos es una tarea complicada. Adem谩s, con nuevos modelos public谩ndose casi a diario y teniendo cada uno su propia implementaci贸n, probarlos todos no es tarea f谩cil. + +La biblioteca 馃 Transformers se cre贸 para resolver este problema. Su objetivo es proporcionar una 煤nica API a trav茅s de la cual se pueda cargar, entrenar y guardar cualquier modelo Transformer. Las caracter铆sticas principales de la biblioteca son: + +- **Facilidad de uso**: Descargar, cargar y usar un modelo de PLN de 煤ltima generaci贸n para inferencia se puede hacer en solo dos l铆neas de c贸digo. +- **Flexibilidad**: En el fondo, todos los modelos son simples clases `nn.Module` de PyTorch y se pueden manejar como cualquier otro modelo en sus respectivos frameworks de aprendizaje autom谩tico (ML). +- **Simplicidad**: Apenas se hacen abstracciones a lo largo de la biblioteca. El "Todo en un archivo" es un concepto central: la pasada hacia delante de un modelo se define por completo en un 煤nico archivo, de modo que el propio c贸digo sea comprensible y modificable. + +Esta 煤ltima caracter铆stica hace que 馃 Transformers sea bastante diferente de otras bibliotecas de ML. Los modelos no se construyen sobre m贸dulos que se comparten entre archivos; en su lugar, cada modelo tiene sus propias capas. Adem谩s de hacer que los modelos sean m谩s accesibles y comprensibles, esto te permite experimentar f谩cilmente con un modelo sin afectar a los dem谩s. + +Este cap铆tulo comenzar谩 con un ejemplo de principio a fin en el que usamos juntos un modelo y un tokenizador para replicar la funci贸n `pipeline()` presentada en el [Cap铆tulo 1](/course/chapter1). A continuaci贸n, hablaremos de la API de modelos: profundizaremos en las clases de modelo y de configuraci贸n, y te mostraremos c贸mo cargar un modelo y c贸mo procesa entradas num茅ricas para producir predicciones. + +Despu茅s veremos la API del tokenizador, que es el otro componente principal de la funci贸n `pipeline()`. Los tokenizadores se encargan del primer y del 煤ltimo paso de procesamiento, gestionando la conversi贸n de texto a entradas num茅ricas para la red neuronal, y la conversi贸n de vuelta a texto cuando es necesario. Por 煤ltimo, te mostraremos c贸mo gestionar el env铆o de varias frases a un modelo en un lote preparado, y lo cerraremos todo con una mirada m谩s detallada a la funci贸n de alto nivel `tokenizer()`. + +> [!TIP] +> 鈿狅笍 Para beneficiarte de todas las funcionalidades disponibles con el Model Hub y 馃 Transformers, te recomendamos crear una cuenta.