# 章節簡介

在[第三章](/course/chapter3)，您瞭解瞭如何微調文本分類的模型。在本章中，我們將處理以下常見NLP任務：

- 標記(token)分類
- 遮罩語言建模（如BERT）
- 提取文本摘要
- 翻譯
- 因果語言建模預訓練（如GPT-2）
- 問答

{#if fw === 'pt'}

為此，您需要利用[第三章](/course/chapter3)中學到的`Trainer` API 和🤗Accelerate 庫、[第五章](/course/chapter5)中的 🤗 Datasets 庫以及[第六章](/course/chapter6)中的 🤗 Tokenizers 庫的所有知識。我們還會將結果上傳到模型中心，就像我們在[第四章](/course/chapter4)中所做的那樣，所以這確實是將之前所有內容彙集在一起的章節！

每個部分都可以獨立閱讀，並將向您展示如何使用API或按照您自己的訓練循環訓練模型，使用🤗 Accelerate 加速。你可以隨意跳過其中一部分，把注意力集中在你最感興趣的那一部分：API可以優化或訓練您的模型而無需擔心幕後發生了什麼，而訓練循環使用可以讓您更輕鬆地自定義所需的任何結構。

{:else}

為此，您需要利用[第三章](/course/chapter3)中學到的有關Keras API、[第五章](/course/chapter5)中的 🤗 Datasets 庫以及[第六章](/course/chapter6)中的 🤗 Tokenizers 庫的所有知識。我們還會將結果上傳到模型中心，就像我們在[第四章](/course/chapter4)中所做的那樣，所以這確實是將之前所有內容彙集在一起的章節！

每個部分都可以獨立閱讀。

{/if}

> [!TIP]
> 如果您按順序閱讀這些部分，您會注意到它們有很多共同的代碼和陳述。 重複是有意為之的，讓您可以深入（或稍後返回）任何您感興趣的任務並找到一個完整的工作示例。