Forums များတွင် အကူအညီ တောင်းခံခြင်း

Hugging Face forums များသည် open source team နှင့် ပိုမိုကျယ်ပြန့်သော Hugging Face community ထံမှ အကူအညီရယူရန် အကောင်းဆုံးနေရာတစ်ခုဖြစ်သည်။ ပုံမှန်နေ့တစ်နေ့တွင် ပင်မစာမျက်နှာသည် အောက်ပါအတိုင်း ပေါ်လာပါသည်-

ဘယ်ဘက်ခြမ်းတွင် topics အမျိုးမျိုးကို စုစည်းထားသော categories အားလုံးကို သင်တွေ့မြင်နိုင်ပြီး၊ ညာဘက်ခြမ်းတွင် နောက်ဆုံးပေါ် topics များကို ပြသထားသည်။ topic တစ်ခုဆိုတာ title, category, နဲ့ description ပါဝင်တဲ့ post တစ်ခုဖြစ်ပြီး၊ Chapter 5 မှာ ကျွန်တော်တို့ရဲ့ ကိုယ်ပိုင် dataset ကို ဖန်တီးတုန်းက တွေ့ခဲ့ရတဲ့ GitHub issues format နဲ့ အတော်လေး ဆင်တူပါတယ်။ နာမည်အရ သိနိုင်တဲ့အတိုင်း၊ Beginners category ကို Hugging Face libraries နဲ့ ecosystem ကို အခုမှ စတင်လေ့လာသူတွေအတွက် အဓိကရည်ရွယ်ပါတယ်။ libraries တွေထဲက ဘယ်တစ်ခုနဲ့ ပတ်သက်တဲ့ မေးခွန်းမဆို ကြိုဆိုပါတယ်။ code အချို့ကို debug လုပ်တာပဲဖြစ်ဖြစ်၊ တစ်ခုခုလုပ်နည်းအကြောင်း အကူအညီတောင်းတာပဲဖြစ်ဖြစ်ပေါ့။ (သို့သော်လည်း၊ သင့်မေးခွန်းက သီးခြား library တစ်ခုနဲ့ ပတ်သက်တယ်ဆိုရင်၊ forum မှာ သက်ဆိုင်ရာ library category ဆီ သွားသင့်ပါတယ်။)

အလားတူပဲ၊ Intermediate နဲ့ Research categories တွေကတော့ ပိုမိုအဆင့်မြင့်တဲ့ မေးခွန်းတွေအတွက်ပါ။ ဥပမာ - libraries တွေအကြောင်း ဒါမှမဟုတ် သင်ဆွေးနွေးချင်တဲ့ NLP သုတေသနအသစ်အကြောင်း စသည်တို့ဖြစ်ပါတယ်။

ပြီးတော့ သေချာပေါက် Course category ကိုလည်း ဖော်ပြရပါမယ်။ အဲဒီမှာ Hugging Face course နဲ့ ပတ်သက်တဲ့ မေးခွန်းတွေ မေးနိုင်ပါတယ်!

Category တစ်ခုကို ရွေးပြီးတာနဲ့၊ သင်ရဲ့ ပထမဆုံး topic ကို ရေးဖို့ အဆင်သင့်ဖြစ်ပါလိမ့်မယ်။ ဒါကို ဘယ်လိုလုပ်ရမယ်ဆိုတဲ့ လမ်းညွှန်ချက်တွေကို forum မှာ ရှာတွေ့နိုင်ပြီး၊ ဒီအပိုင်းမှာတော့ ကောင်းမွန်တဲ့ topic တစ်ခုကို ဖွဲ့စည်းထားတဲ့ features အချို့ကို ကျွန်တော်တို့ ကြည့်ရပါမယ်။

ကောင်းမွန်သော Forum Post တစ်ခု ရေးသားခြင်း

ဥပမာအနေနဲ့၊ Wikipedia ဆောင်းပါးတွေကနေ embeddings တွေ ထုတ်လုပ်ပြီး custom search engine တစ်ခု ဖန်တီးဖို့ ကြိုးစားနေတယ်လို့ ယူဆကြပါစို့။ ပုံမှန်အတိုင်းပါပဲ၊ tokenizer နဲ့ model ကို အောက်ပါအတိုင်း load လုပ်ပါတယ်။

from transformers import AutoTokenizer, AutoModel

model_checkpoint = "distilbert-base-uncased"
tokenizer = AutoTokenizer.from_pretrained(model_checkpoint)
model = AutoModel.from_pretrained(model_checkpoint)

အခု ကျွန်တော်တို့ Transformers (franchise, library မဟုတ်ပါဘူး!) အကြောင်း Wikipedia ဆောင်းပါး ရဲ့ တစ်ခုလုံးကို embed လုပ်ဖို့ ကြိုးစားတယ်လို့ ယူဆပါစို့။

text = """
Generation One is a retroactive term for the Transformers characters that
appeared between 1984 and 1993. The Transformers began with the 1980s Japanese
toy lines Micro Change and Diaclone. They presented robots able to transform
into everyday vehicles, electronic items or weapons. Hasbro bought the Micro
Change and Diaclone toys, and partnered with Takara. Marvel Comics was hired by
Hasbro to create the backstory; editor-in-chief Jim Shooter wrote an overall
story, and gave the task of creating the characthers to writer Dennis O'Neil.
Unhappy with O'Neil's work (although O'Neil created the name "Optimus Prime"),
Shooter chose Bob Budiansky to create the characters.

The Transformers mecha were largely designed by Shōji Kawamori, the creator of
the Japanese mecha anime franchise Macross (which was adapted into the Robotech
franchise in North America). Kawamori came up with the idea of transforming
mechs while working on the Diaclone and Macross franchises in the early 1980s
(such as the VF-1 Valkyrie in Macross and Robotech), with his Diaclone mechs
later providing the basis for Transformers.

The primary concept of Generation One is that the heroic Optimus Prime, the
villainous Megatron, and their finest soldiers crash land on pre-historic Earth
in the Ark and the Nemesis before awakening in 1985, Cybertron hurtling through
the Neutral zone as an effect of the war. The Marvel comic was originally part
of the main Marvel Universe, with appearances from Spider-Man and Nick Fury,
plus some cameos, as well as a visit to the Savage Land.

The Transformers TV series began around the same time. Produced by Sunbow
Productions and Marvel Productions, later Hasbro Productions, from the start it
contradicted Budiansky's backstories. The TV series shows the Autobots looking
for new energy sources, and crash landing as the Decepticons attack. Marvel
interpreted the Autobots as destroying a rogue asteroid approaching Cybertron.
Shockwave is loyal to Megatron in the TV series, keeping Cybertron in a
stalemate during his absence, but in the comic book he attempts to take command
of the Decepticons. The TV series would also differ wildly from the origins
Budiansky had created for the Dinobots, the Decepticon turned Autobot Jetfire
(known as Skyfire on TV), the Constructicons (who combine to form
Devastator),[19][20] and Omega Supreme. The Marvel comic establishes early on
that Prime wields the Creation Matrix, which gives life to machines. In the
second season, the two-part episode The Key to Vector Sigma introduced the
ancient Vector Sigma computer, which served the same original purpose as the
Creation Matrix (giving life to Transformers), and its guardian Alpha Trion.
"""

inputs = tokenizer(text, return_tensors="pt")
logits = model(**inputs).logits

IndexError: index out of range in self

အိုး-အိုး၊ ပြဿနာတစ်ခု ကြုံတွေ့ခဲ့ပါပြီ — ပြီးတော့ error message က အပိုင်း ၂ မှာ ကျွန်တော်တို့ တွေ့ခဲ့ရတာတွေထက် အများကြီး ပိုပြီး နားမလည်နိုင်ပါဘူး! full traceback ကို နားမလည်နိုင်တဲ့အတွက် Hugging Face forums တွေကနေ အကူအညီတောင်းဖို့ ဆုံးဖြတ်လိုက်ပါတယ်။ topic ကို ဘယ်လိုရေးသားရမလဲ။

စတင်ဖို့အတွက်၊ ညာဘက်အပေါ်ထောင့်မှာရှိတဲ့ “New Topic” ခလုတ်ကို နှိပ်ဖို့ လိုအပ်ပါတယ် (topic တစ်ခု ဖန်တီးဖို့အတွက် login ဝင်ထားဖို့ လိုအပ်ကြောင်း သတိပြုပါ)။

ဒါက ကျွန်တော်တို့ရဲ့ topic ရဲ့ title ကို ထည့်သွင်းနိုင်မယ့်၊ category တစ်ခုကို ရွေးချယ်နိုင်မယ့်၊ ပြီးတော့ content ကို ရေးသားနိုင်မယ့် writing interface ကို ဖွင့်ပေးပါလိမ့်မယ်-

error က 🤗 Transformers နဲ့သာ သက်ဆိုင်ပုံရတာကြောင့်၊ ဒါကို category အဖြစ် ရွေးချယ်ပါမယ်။ ပြဿနာကို ရှင်းပြဖို့ ပထမဆုံး ကြိုးစားမှုက အောက်ပါအတိုင်း ဖြစ်နိုင်ပါတယ်-

ဒီ topic မှာ ကျွန်တော်တို့ အကူအညီလိုတဲ့ error message ပါဝင်နေပေမယ့်၊ ရေးသားထားတဲ့ ပုံစံမှာ ပြဿနာအချို့ ရှိနေပါတယ်။

၁။ title က သိပ်မဖော်ပြနိုင်ပါဘူး၊ ဒါကြောင့် forum ကို ကြည့်ရှုသူတွေက body ကိုပါ မဖတ်ဘဲ topic က ဘာအကြောင်းလဲဆိုတာ ပြောနိုင်မှာ မဟုတ်ပါဘူး။ ၂။ body က error ဘယ်ကနေလာသလဲ၊ ဒါကို ဘယ်လိုပြန်လည်ထုတ်လုပ်ရမလဲဆိုတဲ့ လုံလောက်တဲ့ အချက်အလက်တွေ မပေးပါဘူး။ ၃။ topic က လူအချို့ကို တောင်းဆိုတဲ့လေသံမျိုးနဲ့ တိုက်ရိုက် tag လုပ်ထားပါတယ်။

ဒီလို topics တွေဟာ အမြန်အဖြေရဖို့ မဖြစ်နိုင်ပါဘူး (လုံးဝအဖြေမရတာမျိုးလည်း ရှိနိုင်ပါတယ်)၊ ဒါကြောင့် ဘယ်လိုတိုးတက်အောင် လုပ်နိုင်မလဲဆိုတာ ကြည့်ရအောင်။ ကောင်းမွန်တဲ့ title တစ်ခုရွေးချယ်ခြင်းရဲ့ ပထမဆုံး ပြဿနာနဲ့ စတင်ပါမယ်။

ဖော်ပြနိုင်သော Title တစ်ခု ရွေးချယ်ခြင်း

သင့် code မှာ bug တစ်ခုနဲ့ ပတ်သက်ပြီး အကူအညီရဖို့ ကြိုးစားနေတယ်ဆိုရင်၊ title မှာ လုံလောက်တဲ့ အချက်အလက်တွေ ထည့်သွင်းခြင်းက တခြားသူတွေက သင့်မေးခွန်းကို ဖြေနိုင်မယ်လို့ သူတို့ထင်လား မထင်လားဆိုတာ လျင်မြန်စွာ ဆုံးဖြတ်နိုင်ဖို့ ကူညီပေးမယ့် အကောင်းဆုံး စည်းမျဉ်းတစ်ခုပါပဲ။ ကျွန်တော်တို့ရဲ့ ဥပမာမှာ၊ မြှင့်တင်နေတဲ့ exception ရဲ့ နာမည်ကို သိပြီး model ရဲ့ forward pass မှာ model(**inputs) ကို ခေါ်တဲ့အခါ ဒါက ဖြစ်ပေါ်တာလို့ အချက်အလက်အချို့ ရရှိထားပါတယ်။ ဒါကို ဆက်သွယ်ဖို့၊ ဖြစ်နိုင်တဲ့ title တစ်ခုကတော့…

AutoModel forward pass မှာ IndexError ရဲ့ source လား။

ဒီ title က error က ဘယ်ကနေလာတယ်လို့ သင်ထင်သလဲဆိုတာကို စာဖတ်သူကို ပြောပြပြီး၊ သူတို့က IndexError ကို အရင်က ကြုံတွေ့ဖူးတယ်ဆိုရင်၊ ဒါကို ဘယ်လို debug လုပ်ရမလဲဆိုတာ သိနိုင်ခြေများပါတယ်။ သေချာပေါက်၊ title က သင်လိုချင်တာ ဖြစ်နိုင်ပြီး၊ အခြားပုံစံတွေဖြစ်တဲ့…

ကျွန်ုပ်ရဲ့ model က IndexError ဘာကြောင့် ထုတ်လုပ်တာလဲ။

ဒါတွေကလည်း အဆင်ပြေနိုင်ပါတယ်။ အခု ဖော်ပြနိုင်တဲ့ title တစ်ခု ရရှိပြီဆိုတော့၊ body ကို တိုးတက်အောင် လုပ်ကြည့်ရအောင်။

သင့် Code Snippets များကို ပုံစံချခြင်း

source code ကို IDE ထဲမှာ ဖတ်ရတာ အခက်အခဲရှိပြီးသားဖြစ်ပေမယ့်၊ code ကို plain text အဖြစ် copy paste လုပ်ထားရင် ပိုတောင် ခက်ခဲပါလိမ့်မယ်! ကံကောင်းစွာနဲ့ပဲ၊ Hugging Face forums တွေက Markdown ကို အသုံးပြုခြင်းကို ထောက်ပံ့ပေးတာကြောင့်၊ သင့် code blocks တွေကို ဖတ်ရလွယ်ကူအောင် backticks သုံးခု (```) နဲ့ အမြဲတမ်း ပတ်ထားသင့်ပါတယ်။ ဒါကို error message ကို လှပအောင်လုပ်ဖို့ လုပ်ကြပါစို့ — ပြီးတော့ ဒီလိုလုပ်ရင်းနဲ့၊ body ကို ကျွန်တော်တို့ရဲ့ မူရင်း version ထက် ပိုပြီး ယဉ်ကျေးအောင် လုပ်ကြရအောင်။

screenshot မှာ သင်တွေ့ရတဲ့အတိုင်း၊ code blocks တွေကို backticks နဲ့ ပတ်ထားခြင်းက raw text ကို formatted code အဖြစ် ပြောင်းလဲပေးပြီး၊ color styling ပါ အပြည့်အစုံပါပဲ! distilbert-base-uncased အတွက် ကျွန်တော်တို့ လုပ်ခဲ့သလိုပဲ၊ inline variables တွေကို format လုပ်ဖို့အတွက် single backticks တွေကို အသုံးပြုနိုင်ကြောင်းလည်း သတိပြုပါ။ ဒီ topic က အများကြီး ပိုကောင်းလာပြီဖြစ်ပြီး၊ ကံကောင်းရင်တော့ community ထဲက တစ်ယောက်ယောက်က error က ဘာအကြောင်းလဲဆိုတာ ခန့်မှန်းနိုင်ပါလိမ့်မယ်။ သို့သော်လည်း၊ ကံပေါ်မှာ အားကိုးမယ့်အစား၊ traceback ကို အသေးစိတ်အပြည့်အစုံ ထည့်သွင်းခြင်းဖြင့် ဘဝကို ပိုမိုလွယ်ကူအောင် လုပ်ကြပါစို့!

Full Traceback ကို ထည့်သွင်းခြင်း

traceback ရဲ့ နောက်ဆုံးစာကြောင်းက သင့်ကိုယ်ပိုင် code ကို debug လုပ်ဖို့ လုံလောက်လေ့ရှိတာကြောင့်၊ “နေရာချွေတာဖို့” သင့် topic မှာ အဲဒါကိုပဲ ပေးချင်စိတ် ပေါ်လာနိုင်ပါတယ်။ ရည်ရွယ်ချက် ကောင်းပေမယ့်၊ ဒါက တခြားသူတွေအတွက် ပြဿနာကို debug လုပ်ဖို့ ပိုခက်ခဲစေပါတယ်၊ ဘာလို့လဲဆိုတော့ traceback ရဲ့ အပေါ်ပိုင်းက အချက်အလက်တွေက တကယ်အသုံးဝင်နိုင်လို့ပါပဲ။ ဒါကြောင့်၊ ကောင်းမွန်တဲ့ အလေ့အကျင့်တစ်ခုက traceback တစ်ခုလုံး ကို copy and paste လုပ်ပြီး ကောင်းကောင်း format ချထားဖို့ သေချာအောင် လုပ်တာပါပဲ။ ဒီ traceback တွေက အတော်လေး ရှည်လျားနိုင်တာကြောင့်၊ တချို့လူတွေက source code ကို ရှင်းပြပြီးမှ ၎င်းတို့ကို ပြသဖို့ ပိုကြိုက်ကြပါတယ်။ ဒါကို လုပ်ကြပါစို့။ အခု ကျွန်တော်တို့ရဲ့ forum topic က အောက်ပါအတိုင်း ဖြစ်ပါလိမ့်မယ်။

ဒါက အများကြီး ပိုပြီး အချက်အလက်ပြည့်စုံပါတယ်၊ ပြီးတော့ သတိထားဖတ်ရှုသူတစ်ဦးက traceback ထဲက ဒီစာကြောင်းကြောင့် input ရှည်လျားစွာ ပေးပို့မိလို့ ပြဿနာဖြစ်တာလို့ ထောက်ပြနိုင်ပါလိမ့်မယ်။

Token indices sequence length is longer than the specified maximum sequence length for this model (583 > 512).

သို့သော်လည်း၊ error ကို ဖြစ်ပေါ်စေခဲ့တဲ့ code ကို တကယ်တကယ် ပေးခြင်းဖြင့် သူတို့အတွက် ပိုမိုလွယ်ကူအောင် လုပ်နိုင်ပါတယ်။ အခု အဲဒါကို လုပ်ကြပါစို့။

ပြန်လည်ထုတ်လုပ်နိုင်သော ဥပမာတစ်ခု ပံ့ပိုးပေးခြင်း

သင်တခြားတစ်ယောက်ရဲ့ code ကို debug လုပ်ဖို့ ကြိုးစားဖူးတယ်ဆိုရင်၊ သင်ဟာ သူတို့အစီရင်ခံခဲ့တဲ့ ပြဿနာကို အရင်ဆုံး ပြန်လည်ဖန်တီးကြည့်ပြီးမှ traceback ကို လိုက်ကြည့်ပြီး error ကို ရှာဖွေဖို့ လုပ်ဆောင်ခဲ့ပါလိမ့်မယ်။ forums တွေမှာ အကူအညီရယူတာ (သို့မဟုတ် ပေးတာ) မှာလည်း မတူပါဘူး၊ ဒါကြောင့် error ကို ပြန်လည်ထုတ်လုပ်နိုင်တဲ့ ဥပမာသေးသေးလေးတစ်ခု ပေးနိုင်ရင် တကယ်အထောက်အကူဖြစ်ပါတယ်။ တစ်ဝက်လောက်သော အချိန်တွေမှာ၊ ဒီလေ့ကျင့်ခန်းကို လုပ်ဆောင်ရုံနဲ့ သင်ဘာမှားနေသလဲဆိုတာကို သင်ကိုယ်တိုင် ရှာဖွေနိုင်ပါလိမ့်မယ်။ ဘယ်လိုပဲဖြစ်ဖြစ်၊ ကျွန်တော်တို့ရဲ့ ဥပမာမှာ ပျောက်ဆုံးနေတဲ့ အစိတ်အပိုင်းက model ကို ပေးခဲ့တဲ့ inputs တွေကို ပြသဖို့ပါပဲ။ အဲဒါကို လုပ်ဆောင်ခြင်းက အောက်ပါအတိုင်း ပြီးပြည့်စုံတဲ့ ဥပမာတစ်ခုကို ပေးပါလိမ့်မယ်။

ဒီ topic မှာ အခုဆိုရင် အချက်အလက်များစွာ ပါဝင်နေပြီး၊ community ရဲ့ အာရုံစိုက်မှုကို ဆွဲဆောင်ပြီး အကူအညီဖြစ်စေမယ့် အဖြေတစ်ခု ရဖို့ အခွင့်အလမ်း ပိုများတဲ့ ပုံစံမျိုးနဲ့ ရေးသားထားပါတယ်။ ဒီအခြေခံလမ်းညွှန်ချက်တွေနဲ့ သင်ဟာ သင့်ရဲ့ 🤗 Transformers မေးခွန်းတွေရဲ့ အဖြေတွေကို ရှာဖွေဖို့ ကောင်းမွန်တဲ့ topics တွေကို ဖန်တီးနိုင်ပါပြီ!

ဝေါဟာရ ရှင်းလင်းချက် (Glossary)

• Forums: အွန်လိုင်းဆွေးနွေးပွဲ ဖိုရမ်များ။ Hugging Face forums များသည် open source team နှင့် ပိုမိုကျယ်ပြန့်သော Hugging Face community ထံမှ အကူအညီရယူရန် ရည်ရွယ်သည်။
• Open Source Team: open source project တစ်ခုကို ဖွံ့ဖြိုးတိုးတက်စေခြင်းနှင့် ထိန်းသိမ်းခြင်းအတွက် တာဝန်ယူသော အဖွဲ့။
• Hugging Face Community: Hugging Face ပလက်ဖောင်းကို အသုံးပြုပြီး ပံ့ပိုးကူညီနေသော လူအဖွဲ့အစည်း။
• Categories: forum ပေါ်ရှိ topics များကို စုစည်းထားသော ကဏ္ဍများ။
• Topics: forum ပေါ်ရှိ title, category, နှင့် description ပါဝင်သော post တစ်ခု။
• GitHub Issues: GitHub repository များတွင် bug များ၊ feature requests များနှင့် အခြားပြဿနာများကို ခြေရာခံရန် အသုံးပြုသော platform။
• Beginners Category: Hugging Face libraries နှင့် ecosystem ကို အခုမှ စတင်လေ့လာသူများအတွက် ရည်ရွယ်သော forum category။
• Debug: ကွန်ပျူတာပရိုဂရမ်တစ်ခုရှိ အမှားများ (bugs) ကို ရှာဖွေ၊ ဖော်ထုတ်ပြီး ပြင်ဆင်ခြင်း။
• Intermediate Category: ပိုမိုအဆင့်မြင့်သော မေးခွန်းများအတွက် ရည်ရွယ်သော forum category။
• Research Category: NLP သုတေသနအသစ်များ အပါအဝင် ပိုမိုအဆင့်မြင့်သော သုတေသနဆိုင်ရာ မေးခွန်းများအတွက် ရည်ရွယ်သော forum category။
• Course Category: Hugging Face သင်တန်းနှင့် ပတ်သက်သော မေးခွန်းများအတွက် ရည်ရွယ်သော forum category။
• Embeddings: စကားလုံးများ၊ စာသားများ သို့မဟုတ် အခြားဒေတာများကို vector space အတွင်းရှိ ဂဏန်းဆိုင်ရာ ကိုယ်စားပြုမှုများအဖြစ် ပြောင်းလဲခြင်း။
• Wikipedia Articles: Wikipedia စွယ်စုံကျမ်းရှိ ဆောင်းပါးများ။
• Custom Search Engine: သီးခြားလိုအပ်ချက်များ သို့မဟုတ် ဒေတာများအတွက် ကိုယ်တိုင်တည်ဆောက်ထားသော search engine။
• AutoTokenizer: Hugging Face Transformers library မှာ ပါဝင်တဲ့ class တစ်ခုဖြစ်ပြီး မော်ဒယ်အမည်ကို အသုံးပြုပြီး သက်ဆိုင်ရာ tokenizer ကို အလိုအလျောက် load လုပ်ပေးသည်။
• AutoModel: Hugging Face Transformers library မှာ ပါဝင်တဲ့ class တစ်ခုဖြစ်ပြီး မော်ဒယ်အမည်ကို အသုံးပြုပြီး သက်ဆိုင်ရာ model ကို အလိုအလျောက် load လုပ်ပေးသည်။
• model_checkpoint: pretrained model ၏ နာမည် (ဥပမာ- distilbert-base-uncased)။
• from_pretrained() Method: pretrained model သို့မဟုတ် tokenizer ကို load လုပ်ရန် အသုံးပြုသော method။
• distilbert-base-uncased: DistilBERT model ၏ base, uncased version အတွက် checkpoint identifier။
• text: စာသား input။
• tokenizer(text, return_tensors="pt"): စာသားကို tokenize လုပ်ပြီး PyTorch tensors များအဖြစ် ပြန်ပေးသည်။
• logits: model ၏ raw, unnormalized prediction scores များ။
• IndexError: Python တွင် sequence (list, tuple) တစ်ခု၏ index သည် ၎င်း၏ သတ်မှတ်ထားသော အတိုင်းအတာပြင်ပတွင် ရှိနေသောအခါ ဖြစ်ပေါ်သော error။
• Error Message: ပရိုဂရမ်တစ်ခုတွင် အမှားတစ်ခု ဖြစ်ပေါ်သောအခါ ပြသသော စာသား။
• Cryptic: နားလည်ရခက်ခဲခြင်း သို့မဟုတ် မရှင်းမလင်းဖြစ်ခြင်း။
• Full Traceback: Python ပရိုဂရမ်တစ်ခုတွင် error ဖြစ်ပေါ်သည့် အချိန်မှစ၍ code execution ၏ လမ်းကြောင်းအပြည့်အစုံကို ပြသခြင်း။
• New Topic Button: forum ပေါ်တွင် post အသစ်တစ်ခု ဖန်တီးရန် ခလုတ်။
• Writing Interface: post, article သို့မဟုတ် အခြားစာသားများကို ရေးသားရန်အတွက် ဆော့ဖ်ဝဲလ် interface။
• Category: forum ပေါ်တွင် topic ကို ခွဲခြားသတ်မှတ်ရန် အသုံးပြုသော အုပ်စု။
• Draft: topic ၏ အကြောင်းအရာကို ရေးသားခြင်း။
• `model(inputs).logits`**: model ၏ forward pass ကို input များနှင့် ခေါ်ဆိုခြင်း။
• Descriptive Title: topic ၏ အကြောင်းအရာကို ရှင်းရှင်းလင်းလင်း ဖော်ပြသော title။
• Exception: ပရိုဂရမ်တစ်ခု အလုပ်လုပ်နေစဉ် ဖြစ်ပေါ်လာသော error သို့မဟုတ် မမျှော်လင့်သော အခြေအနေ။
• Forward Pass: Neural network တစ်ခုမှ input data ကို layers များမှတစ်ဆင့် ဖြတ်သန်းကာ output ကို ထုတ်လုပ်သည့် လုပ်ငန်းစဉ်။
• Code Snippets: code ၏ အစိတ်အပိုင်းငယ်များ။
• IDE (Integrated Development Environment): ဆော့ဖ်ဝဲလ် developer များအတွက် code ရေးသားခြင်း၊ debug လုပ်ခြင်းနှင့် test လုပ်ခြင်းတို့ကို လွယ်ကူစေသော ဆော့ဖ်ဝဲလ်ပတ်ဝန်းကျင်။
• Markdown: Plain text format တစ်ခုဖြစ်ပြီး formatting syntax ကို အသုံးပြု၍ စာသားကို ပုံစံချခြင်း။
• Backticks (```): Markdown တွင် code blocks များကို ဖော်မတ်ချရန် အသုံးပြုသော အမှတ်အသားများ။
• Color Styling: code ၏ မတူညီသော အစိတ်အပိုင်းများကို မတူညီသော အရောင်များဖြင့် ပြသခြင်း။
• Inline Variables: စာကြောင်းတစ်ကြောင်းအတွင်း၌ ဖော်ပြထားသော variables များ။
• Reproducible Example: အခြားသူတစ်ဦးက တူညီသော error ကို ပြန်လည်ဖန်တီးနိုင်ရန် လုံလောက်သော အချက်အလက်နှင့် code ပါဝင်သော ဥပမာ။
• Input: model သို့ ပေးပို့သော ဒေတာ။
• Token Indices Sequence Length: tokenizer မှ ထုတ်လုပ်ထားသော tokens များ၏ အရှည်။
• Maximum Sequence Length: model တစ်ခု လက်ခံနိုင်သော အရှည်ဆုံး sequence (tokens အရေအတွက်)။