SUMIN/HuggingFace_transformer
1
0
Fork 0
Code Issues Pull Requests Actions 7 Packages Projects Releases Wiki Activity

[docs] Update link in es/pipeline_webserver.md (#30745)

Browse Source 
* update link

* run make style
This commit is contained in:
Aaron Jimenez
2024-05-10 08:29:26 -08:00
committed by GitHub
parent 2d1602aef7
commit 8ce4fefc52
2 changed files with 2 additions and 10 deletions
Download Patch File Download Diff File Expand all files Collapse all files

8
docs/source/es/pipeline_webserver.md
View File

@@ -9,13 +9,7 @@ Crear un motor de inferencia es un tema complejo, y la "mejor" solución probabl
</Tip> </Tip>
Lo fundamental para entender es que podemos usar un iterador, tal como [en un conjunto de datos](https://huggingface.co/docs/transformers/pipeline_tutorial#using-pipelines-on-a-dataset), ya que un servidor web es básicamente un sistema que espera solicitudes y las trata a medida que llegan. Lo fundamental para entender es que podemos usar un iterador, tal como [en un conjunto de datos](pipeline_tutorial#uso-de-pipelines-en-un-conjunto-de-datos), ya que un servidor web es básicamente un sistema que espera solicitudes y las trata a medida que llegan.
<!--
To do:
* Check the content of es/pipeline_tutorial.md
* And update the link [en un conjunto de datos] -> (pipeline_tutorial#pipelines-en-un-conjunto-de-datos)
-->
Por lo general, los servidores web están multiplexados (multihilo, asíncrono, etc.) para manejar varias solicitudes simultáneamente. Por otro lado, los flujos de trabajo (y principalmente los modelos subyacentes) no son realmente ideales para el paralelismo; consumen mucha RAM, por lo que es mejor darles todos los recursos disponibles cuando se están ejecutando o es un trabajo intensivo en cómputo. Por lo general, los servidores web están multiplexados (multihilo, asíncrono, etc.) para manejar varias solicitudes simultáneamente. Por otro lado, los flujos de trabajo (y principalmente los modelos subyacentes) no son realmente ideales para el paralelismo; consumen mucha RAM, por lo que es mejor darles todos los recursos disponibles cuando se están ejecutando o es un trabajo intensivo en cómputo.

4
examples/pytorch/object-detection/run_object_detection.py
View File

@@ -244,9 +244,7 @@ class DataTrainingArguments:
) )
image_square_size: Optional[int] = field( image_square_size: Optional[int] = field(
default=600, default=600,
metadata={ metadata={"help": "Image longest size will be resized to this value, then image will be padded to square."},
"help": "Image longest size will be resized to this value, then image will be padded to square."
},
) )
max_train_samples: Optional[int] = field( max_train_samples: Optional[int] = field(
default=None, default=None,