[ Docs] translated peft (ES) and toctree.yml add #30554

njackman-2344 · 2024-04-29T19:00:10Z

Add the Spanish version of peft.md to transformers/docs/source/es

Before submitting

This PR fixes a typo or improves the docs (you can dismiss the other checks if that's the case).
Did you read the contributor guideline,
Pull Request section?
Was this discussed/approved via a Github issue or the forum? Please add a link
to it if that's the case.
Did you make sure to update the documentation with your changes? Here are the
documentation guidelines, and
here are tips on formatting docstrings.
Did you write any new necessary tests?

Who can review?

Anyone in the community is free to review the PR once the tests have passed. Feel free to tag
members/contributors who may be interested in your PR.

@stevhliu @aaronjimv If you don't mind reviewing, thanks!! :)

stevhliu

Thanks for adding! 🤗

stevhliu · 2024-04-29T19:40:34Z

docs/source/es/_toctree.yml

@@ -96,6 +96,8 @@
    title: Mecanismos de atención
  - local: pad_truncation
    title: Relleno y truncamiento
+    local: peft


This should be in the "Tutorial" section.

Suggested change

local: peft

- local: peft

stevhliu · 2024-04-29T19:41:05Z

docs/source/es/peft.md

+
+<div class="flex flex-col justify-center">
+  <img src="https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/peft/PEFT-hub-screenshot.png"/>
+  <figcaption class="text-center">The adapter weights for a OPTForCausalLM model stored on the Hub are only ~6MB compared to the full size of the model weights, which can be ~700MB.</figcaption>


Would be nice to also translate the caption 🙂

stevhliu · 2024-04-29T19:45:01Z

docs/source/es/peft.md

+## Cargar en 8bit o 4bit
+
+La integración de `bitsandbytes` apoya los tipos de datos precisos que son utilizados para cargar modelos grandes porque
+ guarda memoria (mira la [guia](./quantization#bitsandbytes-integration) de `bitsandbytes` para aprender mas). Agrega el parametro `load_in_8bit` o el parametro `load_in_4bit` al [`~PreTrainedModel.from_pretrained`] y coloca `device_map="auto"` para effectivamente distribuir el modelo tu hardware:


The "Quantization" doc doesn't exist in Spanish yet so let's link to the English one for now

Suggested change

guarda memoria (mira la [guia](./quantization#bitsandbytes-integration) de `bitsandbytes` para aprender mas). Agrega el parametro `load_in_8bit` o el parametro `load_in_4bit` al [`~PreTrainedModel.from_pretrained`] y coloca `device_map="auto"` para effectivamente distribuir el modelo tu hardware:

guarda memoria (mira la [guia](https://huggingface.co/docs/transformers/quantization#bitsandbyes) de `bitsandbytes` para aprender mas). Agrega el parametro `load_in_8bit` o el parametro `load_in_4bit` al [`~PreTrainedModel.from_pretrained`] y coloca `device_map="auto"` para effectivamente distribuir el modelo tu hardware:

aaronjimv

Hi, thanks for adding! The translation in general is good, but I have to point out that it presents several issues with fluency (making it sound natural) and coherence (making it reflect the original content).

aaronjimv

Hi @njackman-2344, I appreciate you asking me to review again. However, I still have some concerns about the fluency and coherence of the translation. Would you mind taking another look at all the comments made here and addressing those issues? I think it would really make a big difference. Additionally, I wanted to suggest you to use tools like HuggingChat to assist you in the translations and improving their fluency and coherence. Once you've made the necessary changes, I'll be happy to review again.

aaronjimv · 2024-04-29T20:56:38Z

docs/source/es/peft.md

+
+[[open-in-colab]]
+
+[Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) métodos congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima de eso.  Varios parámetros entrenables (los adaptadores) están entrenados para aprender la tarea específica.  Está manera a sido comprobada en ser eficiente con la memoria y con menos uso de computar mientras produciendo resultados comparable a un modelo completamente afinado. 


Suggested change

[Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) métodos congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima de eso. Varios parámetros entrenables (los adaptadores) están entrenados para aprender la tarea específica. Está manera a sido comprobada en ser eficiente con la memoria y con menos uso de computar mientras produciendo resultados comparable a un modelo completamente afinado.

Los métodos PEFT [Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima. Los adaptadores están entrenados para aprender información específica de una tarea. Se ha demostrado que este enfoque es muy eficiente en memoria con un menor uso de cómputo y al mismo tiempo produce resultados comparables a un modelo completamente ajustado.

aaronjimv · 2024-04-29T20:59:05Z

docs/source/es/peft.md

+
+[Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) métodos congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima de eso.  Varios parámetros entrenables (los adaptadores) están entrenados para aprender la tarea específica.  Está manera a sido comprobada en ser eficiente con la memoria y con menos uso de computar mientras produciendo resultados comparable a un modelo completamente afinado. 
+
+ Adaptadores entrenados con PEFT también son usualmente un orden de magnitud más pequeños que los modelos enteros, haciéndolos más convenientes para compartir, archivar, y cargar. 


Suggested change

Adaptadores entrenados con PEFT también son usualmente un orden de magnitud más pequeños que los modelos enteros, haciéndolos más convenientes para compartir, archivar, y cargar.

Los adaptadores entrenados con PEFT también suelen ser un orden de magnitud más pequeños que el modelo completo, lo que hace que sea conveniente para compartirlos, almacenarlos y cargarlos.

aaronjimv · 2024-04-29T21:00:42Z

docs/source/es/peft.md

+
+## Configuración
+
+Empezar por instalar 🤗 PEFT:


Suggested change

Empezar por instalar 🤗 PEFT:

Vamos a empezar instalando 🤗 PEFT:

aaronjimv · 2024-04-29T21:02:09Z

docs/source/es/peft.md

+pip install peft
+```
+
+Si quieres tratar las nuevas características, instala la librería de la fuente:


Suggested change

Si quieres tratar las nuevas características, instala la librería de la fuente:

Si quieres probar las nuevas características, es posible que te interese instalar la biblioteca desde la fuente:

aaronjimv · 2024-04-29T21:04:59Z

docs/source/es/peft.md

+
+##  Los modelos de PEFT apoyados
+
+Los 🤗 Transformers nativamente apoyan algunos métodos de PEFT.  De esta manera puedes cargar los pesos del adaptador archivados localmente o archivados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código.  Los siguientes métodos están apoyados:


Suggested change

Los 🤗 Transformers nativamente apoyan algunos métodos de PEFT. De esta manera puedes cargar los pesos del adaptador archivados localmente o archivados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código. Los siguientes métodos están apoyados:

🤗 Transformers admite nativamente algunos métodos de PEFT. De esta manera puedes cargar los pesos del adaptador almacenados localmente o almacenados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código. Se cuenta con soporte para los siguientes métodos:

aaronjimv · 2024-04-29T21:29:11Z

docs/source/es/peft.md

+
+</Tip>
+
+1. Define tu configuraciôn de adaptador con el tipo de tarea y hiperparámetros (lee [`~peft.LoraConfig`] sobre más detalles de lo que


Suggested change

1. Define tu configuraciôn de adaptador con el tipo de tarea y hiperparámetros (lee [`~peft.LoraConfig`] sobre más detalles de lo que

1. Define la configuración de su adaptador con el tipo de tarea y los hiperparámetros (consulte [`~peft.LoraConfig`] para obtener más detalles sobre lo que hacen los hiperparámetros).

aaronjimv · 2024-04-29T21:29:47Z

docs/source/es/peft.md

+</Tip>
+
+1. Define tu configuraciôn de adaptador con el tipo de tarea y hiperparámetros (lee [`~peft.LoraConfig`] sobre más detalles de lo que
+ hacen los hiperparámetros).


Remove this line

aaronjimv · 2024-04-29T21:30:29Z

docs/source/es/peft.md

+trainer.train()
+```
+
+Para archivar tu adaptador entrenado y volver a cargarlo:


Suggested change

Para archivar tu adaptador entrenado y volver a cargarlo:

Para guardar tu adaptador entrenado y volver a cargarlo:

aaronjimv · 2024-04-29T21:30:47Z

docs/source/es/peft.md

+model = AutoModelForCausalLM.from_pretrained(save_dir)
+```
+
+## Agrega capas entrenables adicionales a un PEFT adaptador


Suggested change

## Agrega capas entrenables adicionales a un PEFT adaptador

## Agrega capas entrenables adicionales a un adaptador PEFT

aaronjimv · 2024-04-29T21:33:12Z

docs/source/es/peft.md

+
+## Agrega capas entrenables adicionales a un PEFT adaptador
+
+Tambien puedes afinar adaptadores entrenables adicionales en encima de un modelo que tiene adaptadores ajustados por pasar a `modules_to_save` en tu config PEFT. Por ejemplo, si tu quieres también afinar el lm_head encima de un modelo con un adaptador de LoRA:


Suggested change

Tambien puedes afinar adaptadores entrenables adicionales en encima de un modelo que tiene adaptadores ajustados por pasar a `modules_to_save` en tu config PEFT. Por ejemplo, si tu quieres también afinar el lm_head encima de un modelo con un adaptador de LoRA:

También puedes ajustar adaptadores entrenables adicionales sobre un modelo que tiene adaptadores conectados pasando `modules_to_save` en su configuración PEFT. Por ejemplo, si también quieres ajustar el `lm_head` encima de un modelo con un adaptador LoRA:

njackman-2344 · 2024-05-21T18:50:00Z

Hi @njackman-2344, I appreciate you asking me to review again. However, I still have some concerns about the fluency and coherence of the translation. Would you mind taking another look at all the comments made here and addressing those issues? I think it would really make a big difference. Additionally, I wanted to suggest you to use tools like HuggingChat to assist you in the translations and improving their fluency and coherence. Once you've made the necessary changes, I'll be happy to review again.

Ok! Thank you! I didn't see the corrections. I will do that.

translated peft es and toctree.yml add

03a1a7d

stevhliu reviewed Apr 29, 2024

View reviewed changes

aaronjimv reviewed Apr 29, 2024

View reviewed changes

updated yml and peft translation

a7e68e8

njackman-2344 requested a review from aaronjimv May 21, 2024 17:17

aaronjimv suggested changes May 21, 2024

View reviewed changes

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

[ Docs] translated peft (ES) and toctree.yml add #30554

[ Docs] translated peft (ES) and toctree.yml add #30554

njackman-2344 commented Apr 29, 2024

stevhliu left a comment

stevhliu Apr 29, 2024

stevhliu Apr 29, 2024

stevhliu Apr 29, 2024

aaronjimv left a comment

aaronjimv left a comment

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

aaronjimv Apr 29, 2024

njackman-2344 commented May 21, 2024

	guarda memoria (mira la [guia](./quantization#bitsandbytes-integration) de `bitsandbytes` para aprender mas). Agrega el parametro `load_in_8bit` o el parametro `load_in_4bit` al [`~PreTrainedModel.from_pretrained`] y coloca `device_map="auto"` para effectivamente distribuir el modelo tu hardware:
	guarda memoria (mira la [guia](https://huggingface.co/docs/transformers/quantization#bitsandbyes) de `bitsandbytes` para aprender mas). Agrega el parametro `load_in_8bit` o el parametro `load_in_4bit` al [`~PreTrainedModel.from_pretrained`] y coloca `device_map="auto"` para effectivamente distribuir el modelo tu hardware:


		[[open-in-colab]]

		[Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) métodos congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima de eso. Varios parámetros entrenables (los adaptadores) están entrenados para aprender la tarea específica. Está manera a sido comprobada en ser eficiente con la memoria y con menos uso de computar mientras produciendo resultados comparable a un modelo completamente afinado.


		[Parameter-Efficient Fine Tuning (PEFT)](https://huggingface.co/blog/peft) métodos congelan los parámetros del modelo preentrenado durante el afinamiento y agregan un pequeño número de parámetros entrenables (los adaptadores) encima de eso. Varios parámetros entrenables (los adaptadores) están entrenados para aprender la tarea específica. Está manera a sido comprobada en ser eficiente con la memoria y con menos uso de computar mientras produciendo resultados comparable a un modelo completamente afinado.

		Adaptadores entrenados con PEFT también son usualmente un orden de magnitud más pequeños que los modelos enteros, haciéndolos más convenientes para compartir, archivar, y cargar.

	Adaptadores entrenados con PEFT también son usualmente un orden de magnitud más pequeños que los modelos enteros, haciéndolos más convenientes para compartir, archivar, y cargar.
	Los adaptadores entrenados con PEFT también suelen ser un orden de magnitud más pequeños que el modelo completo, lo que hace que sea conveniente para compartirlos, almacenarlos y cargarlos.

	Empezar por instalar 🤗 PEFT:
	Vamos a empezar instalando 🤗 PEFT:

	Si quieres tratar las nuevas características, instala la librería de la fuente:
	Si quieres probar las nuevas características, es posible que te interese instalar la biblioteca desde la fuente:


		## Los modelos de PEFT apoyados

		Los 🤗 Transformers nativamente apoyan algunos métodos de PEFT. De esta manera puedes cargar los pesos del adaptador archivados localmente o archivados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código. Los siguientes métodos están apoyados:

	Los 🤗 Transformers nativamente apoyan algunos métodos de PEFT. De esta manera puedes cargar los pesos del adaptador archivados localmente o archivados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código. Los siguientes métodos están apoyados:
	🤗 Transformers admite nativamente algunos métodos de PEFT. De esta manera puedes cargar los pesos del adaptador almacenados localmente o almacenados en el Hub y fácilmente ejecutar o entrenar los pesos con unas cuantas líneas de código. Se cuenta con soporte para los siguientes métodos:


		</Tip>

		1. Define tu configuraciôn de adaptador con el tipo de tarea y hiperparámetros (lee [`~peft.LoraConfig`] sobre más detalles de lo que

	1. Define tu configuraciôn de adaptador con el tipo de tarea y hiperparámetros (lee [`~peft.LoraConfig`] sobre más detalles de lo que
	1. Define la configuración de su adaptador con el tipo de tarea y los hiperparámetros (consulte [`~peft.LoraConfig`] para obtener más detalles sobre lo que hacen los hiperparámetros).

	Para archivar tu adaptador entrenado y volver a cargarlo:
	Para guardar tu adaptador entrenado y volver a cargarlo:

	## Agrega capas entrenables adicionales a un PEFT adaptador
	## Agrega capas entrenables adicionales a un adaptador PEFT


		## Agrega capas entrenables adicionales a un PEFT adaptador

		Tambien puedes afinar adaptadores entrenables adicionales en encima de un modelo que tiene adaptadores ajustados por pasar a `modules_to_save` en tu config PEFT. Por ejemplo, si tu quieres también afinar el lm_head encima de un modelo con un adaptador de LoRA:

	Tambien puedes afinar adaptadores entrenables adicionales en encima de un modelo que tiene adaptadores ajustados por pasar a `modules_to_save` en tu config PEFT. Por ejemplo, si tu quieres también afinar el lm_head encima de un modelo con un adaptador de LoRA:
	También puedes ajustar adaptadores entrenables adicionales sobre un modelo que tiene adaptadores conectados pasando `modules_to_save` en su configuración PEFT. Por ejemplo, si también quieres ajustar el `lm_head` encima de un modelo con un adaptador LoRA:

[ Docs] translated peft (ES) and toctree.yml add #30554

Are you sure you want to change the base?

[ Docs] translated peft (ES) and toctree.yml add #30554

Conversation

njackman-2344 commented Apr 29, 2024

Before submitting

Who can review?

stevhliu left a comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

aaronjimv left a comment

Choose a reason for hiding this comment

aaronjimv left a comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

Choose a reason for hiding this comment

njackman-2344 commented May 21, 2024