Introduction aux LLM en Python
Jasmin Ludolf
Senior Data Science Content Developer, DataCamp
Architectures de deep learning


Consulter les détails architecturaux dans la fiche technique du modèle Hugging Face

Compréhension du texte saisi
"distilbert-base-uncased-distilled-squad" {{{6}}}
llm = pipeline(model="bert-base-uncased")
print(llm.model)
BertForMaskedLM(
(bert): ...
)
(encoder): BertEncoder(
...
print(llm.model.config)
BertConfig {
...
"architectures": [
"BertForMaskedLM"
...

print(llm.model.config.is_decoder)
False
Alternativement : llm.model.config.is_encoder_decoder

L'accent est mis sur le résultat
"gpt-5.4-mini" {{{5}}}
llm = pipeline(model="gpt2")
print(llm.model.config)
GPT2Config {
...
"architectures": [
"GPT2LMHeadModel"
],
...
"task_specific_params": {
"text-generation": {
...
print(llm.model.config.is_decoder)
False

Comprendre et traiter les données d'entrée et de sortie

llm = pipeline(model="Helsinki-NLP/opus-mt-es-en")
print(llm.model)
MarianMTModel(
...
(encoder): MarianEncoder(
...
(decoder): MarianDecoder(
...

print(llm.model.config)
MarianConfig {
...
"decoder_attention_heads": 8,
...
"encoder_attention_heads": 8,
...
"is_encoder_decoder": true,
...
print(llm.model.config.is_encoder_decoder)
True
Introduction aux LLM en Python