Hola creo que en minuto 2:28 hay un corto del video como de 20 segundos o más
Introducción al Hub de Hugging Face
Introducción al transfer learning
Machine learning abierto para todo el mundo
Las tasks en machine learning
Quiz: Introducción al Hub de Hugging Face
Primeros pasos con transfer learning y transformers
Tus primeros modelos pre-entrenados usando pipeline
Explorando los datasets
Introducción a los Transformers
Aplicando transfer learning
Quiz: Primeros pasos con transfer learning y transformers
Computer vision
Carga de dataset para computer vision
Procesamiento de dataset para computer vision
Configurando un Trainer para computer vision
Entrenamiento y evaluación de modelo de computer vision
Quiz: Computer vision
Procesamiento de lenguaje natural
Carga de dataset para NLP
Procesamiento de dataset para NLP
Configurando un Trainer para NLP
Entrenamiento y evaluación de modelo de NLP
Quiz: Procesamiento de lenguaje natural
Comparte en el Hub
El Hub como tu curriculum para machine learning
Compartir tu modelo en el Hub de Hugging Face
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
Convierte tus certificados en tÃtulos universitarios en USA
Antes: $249
$209
Paga en 4 cuotas sin intereses
Termina en:
18 DÃas
21 Hrs
44 Min
58 Seg
Procesamiento de dataset para computer vision
9/17Recursos
Aportes 8
Preguntas 2
Ordenar por:
Para los que les generaba la duda, un stack dentro de pytorch puede entenderse como un array de tensores (Si estoy mal corrijanme) y permite apilar tensores un sobre otro en una dimension determinada, como el parametro no se especifica esta por default 0. Permiten realizar operaciones de manipulación de tensores complejas.
return_tensors ( stro TensorType , opcional ): si se establece, devolverá tensores en lugar de una lista de enteros de Python. Los valores aceptables son:
‘tf’: Devuelve tf.constantobjetos TensorFlow.
‘pt’: Devuelve torch.Tensorobjetos PyTorch.
‘np’: Devuelve np.ndarrayobjetos Numpy
Aqui pongo la documentacion de feature extractor. https://huggingface.co/docs/transformers/main_classes/feature_extractor#transformers.SequenceFeatureExtractor.pad.return_tensors
Aplique la función de manera un poco mas directa de la siguiente forma.
`def preprocess_data(example):`
` return feature_extractor(example['image'], return_tensors='pt')`
`prepared_ds = dataset.map(preprocess_data, batched=True, remove_columns=(['image_file_path', 'image']))`
Se llega al mismo resultado
`prepared_ds['train'][0:2].keys()`
dict\_keys(\['labels', 'pixel\_values'])
```js
def process_example(example):
inputs = feature_extractor(example["image"], return_tensors="pt")
inputs["labels"] = example["labels"]
return inputs
```en el último return, debe retornar inputs en plural y no en singular
Si a alguien le sirve me funciono esta sintaxis en una parte del video. Saludos
```js
process_example(example=ds["train"][10])
```
Gracias
return_tensors ( stro TensorType , opcional ): si se establece, devolverá tensores en lugar de una lista de enteros de Python. Los valores aceptables son: 'tf': Devuelve tf.constantobjetos TensorFlow. 'pt': Devuelve torch.Tensorobjetos PyTorch. 'np': Devuelve np.ndarrayobjetos Numpy
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?