Итоги

В этой главе вы увидели, как подходить к различным задачам NLP, используя высокоуровневую функцию pipeline() из библиотеки 🤗 Transformers. Вы также увидели, как искать и использовать модели в Hub, а также как использовать Inference API для тестирования моделей прямо в браузере.

Мы обсудили, как трансформеры работают на высоком уровне, и поговорили о важности трансферного обучения и дообучения. Ключевым аспектом является то, что вы можете использовать всю архитектуру или только кодировщик или декодировщик, в зависимости от того, какую задачу вы хотите решить. Следующая таблица резюмирует это:

Модель	Примеры	Задачи
Кодировщик	ALBERT, BERT, DistilBERT, ELECTRA, RoBERTa	Классификация предложений, распознавание именованных сущностей, выделительные вопросно-ответные системы
Декодировщик	CTRL, GPT, GPT-2, Transformer XL	Генерация текста
Кодировщик-декодировщик	BART, T5, Marian, mBART	Автоматическое реферирование, перевод, генеративные вопросно-ответные системы

Update on GitHub