Tus primeros modelos pre-entrenados usando pipeline

Elegí bloom para esta practica

Esto me está gustando…

Con cada clase me voy enamorando mas de la IA, este es de lejos el mejor curso de Inteligencia Artificial de Platzi, lo dice alguien que ya acabo toda la escuela de IA, hay cursos buenos pero este curso ha superado todas mis espectatitvas y no voy ni por la mitad, de verdad, no me esperaba un curso taaaan genial

Haber conocido el metodo pipeline antes hubiese sido de mucha utilidad, que buen dato 💚

Los pipelines de Hugging Face permiten cargar modelos de machine learning con una sola línea de código; estos fueron diseñados para hacer inferencia de manera sencilla a partir de solamente la selección de un modelo y una task, permitiéndole al pipeline interactuar con la task determinada. Al ejecutar un pipeline con una task asignada, será el propio comando del pipeline el que indagará en los modelos para buscar el match más eficiente para la labor asignada.

clasificacion_imagenes = pipeline(task="image-classification")

La construcción de estos comandos se genera a partir de la selección de uno de los tasks que Hugging Face mantiene dentro de su pestaña de “Tasks”, la cual nos permite obtener un repertorio más especializado en la función de la que requerimos. Todo esto parte gracias a transformers, el cual contiene múltiples API’s y herramientas para llevar a cabo el transfer learning, esta página contiene la lista de los transformers. Para instalarse se debe ejecutar el código:

!pip install transformers
!pip install timm

Para usarse de manera posterior las pipelines, se debe ejecutar el código:

from transformers import pipeline

Muchos de estos modelos permiten emplear filtros en los resultados (e.j. longitudes de cadenas); en caso de querer ahora ocupar un modelo específico de machine learning para una labor, sólo debemos especificarlo, esto es:

Realmente estoy sorprendido de la facilidad en como se muestra el uso de modelos que, como el instructor dice, están en el estado del arte.
Ya había interactuado con Hugging Face pero no sabia que podía extrapolar los modelos con tanta sencillez.

Probando un poco la task image-segmentation con el modelo que sugiere google/vit-base-patch16-224 conoce muy bien los platanos pero las peras no se las han presentado 😂

Y tampoco conoce los mangos 😜

¿Tendrá alguna explicación estas situaciones? Habrá que explorar un poco más 🧐

Hola , estoy buscando a alguien que quiera aprovechar éste curso practicando , quiero hacer reconocimiento facial de vacas para poder llevar en memoria , nombre , vacunacion , etc su bitacora y que este accesible al solo hecho de apuntar con el celular, es para nuestra finca , estoy aprendiendo a manejar la finca y veo que hace falta ésto , seria super bueno

Elegí el modelo bigscience-bloom560m, a continuación el resultado 😀:

Un poco incoherente la última frase 😅, pero igual es interesante cómo funciona.

Reconoce la piña, y tambien reconoce que tiene lentes 😮

;-;

Esta conexión a través de pipelines está muy buena para conectar a los modelos 🚀🔥

Sí me he reído 😂

spanish_text_generator = pipeline("text-generation", model='mrm8488/spanish-gpt2')
spanish_text_generator("Me gustaría poder trabajar en Inteligencia ")

[{'generated_text': 'Me gustaría poder trabajar en Inteligencia italoamericana con un futuro americano sólido y seguro para la inteligencia americana de mierda.¿Lo harías?Sí¡Sí!Y por eso me llaman el chico duro.Bien, Sr. Presidente, lo haremos.'}]

El reto haciendo uso del modelo “bigscience/bloom-560m”

En las primeras pruebas, evidencié sesgos de género marcados, algo en lo que según sé, están trabajando para eliminar.

Traté adicionalmente de probar otros modelos como el “bigscience/bloom-7b1” y el “sberbank-ai/mGPT” pero son aparentemente muy pesados para los recursos que brinda Colab sin suscripción.

Hola, una duda, use el modelo “mt5-spanish-mlsum” pero por alguna razón me devuelve el resumen repetido, ¿es algo normal?. Btw el curso está fantástico, gracias.

Gracias

Muy buena aclaración: Los pipelines, fueron diseñados para hacer inferencia muy sencilla.

El reto lo realicé con bloomz-1b1, el cual segun la documentación tiene mil cien millones de parámetros, siendo el 5 mas grande de los bloomz, y descargo como 2 gigas de información.

generacion_texto = pipeline( task="text-generation", model="bigscience/bloomz-1b1"
)

texto = "La ciencia de datos es una disciplina que todas las empresas requieren tener en sus equipos de trabajo, ya que"
generacion_texto(texto, max_length=200)

Respuesta:
[{'generated_text': 'La ciencia de datos es una disciplina que todas las empresas requieren tener en sus equipos de trabajo, ya que es una herramienta fundamental para la toma de decisiones.'}]

Cantidad de parametros por modelos bloomz:

| Parameters     | Finetuned Model |
|----------------|-----------------|
| 560M           | bloomz-560m     |
| 1.1B           | bloomz-1b1      |
| 1.7B           | bloomz-1b7      |
| 3B             | bloomz-3b       |
| 7.1B           | bloomz-7b1      |
| 176B           | bloomz          |

muy interesante ejercicio. Aqui mis resultados:
texto_generado = pipeline(task=“text-generation”,model=“PlanTL-GOB-ES/gpt2-large-bne”)
texto_origen = "Hoy en dia no conocemos mucho de la IA y por eso"
texto_generado(texto_origen,num_return_sequences=3)

[{‘generated_text’: 'Hoy en dia no conocemos mucho de la IA y por eso no la podemos usar para casi nada; aun así los ordenadores, no han dejado de ser herramientas que usamos para comunicarnos. '},
{‘generated_text’: ‘Hoy en dia no conocemos mucho de la IA y por eso, de vez en cuando, nos sorprenden los resultados en la escala de inteligencia con sus resultados, en concreto hoy os presentamos un proyecto de IA que ha llamado la atención a muchos y cuya aplicación’},
{‘generated_text’: 'Hoy en dia no conocemos mucho de la IA y por eso mismo en el post no me extiendo mas. '}]

Creo que el modelo que escogí le falta un poco 😃

Me encanta este profe, gracias por ponerle pasión a las clases, me siento inspirado.

Bastante inclusivo este curso, ya parecen Netflix.

Buenas, Aqui estoy iniciando el curso y pues yo cargue este modelo:

Se me puso profundo el modelo generador de texto como que lo entrenaron con un libro que habla del amor.
el texto que me dio:

Hoy me siento con ganas de aprender, pero mi cuerpo no me deja trabajar, simplemente se sumerge en lo mas profundo de la procrastinacion. Todo va como debe ser. Me da la sensación de que la gente no puede sentir dolor, de que sólo somos una clase de personas que no estamos enteradas de la existencia del amor y de las emociones. Yo pienso en cualquier cosa que no sea un amor real, en algo que por cierto no nos pueda ayudar por lo que hemos perdido

Interesante como cambia el % de probabilidad 6 meses después, supongo que estos modelos siguen evolucionando y ahora tienen en cuenta más factores

generar texto en español
generarNewTexto = pipeline(task=‘text-generation’,model=‘bigscience/bloom-560m’)

generarNewTexto('los programadores estan ',max_length=30)

ouput [{‘generated_text’: ‘los programadores estan icos, pero no es asi. Los programadores estan en el mundo de los datos, y no en el mundo de los’}]

Divirtiendome con Hugging Face