Evaluación y guardado de su modelo
Comprobar las métricas y publicarlo en el Hub
Evaluación y guardado de su modelo es una lección gratuita de NLP Academy en CoddyKit. Esta es la lección 4 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de NLP Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de NLP Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Training Is Not Enough
A trained model is only useful if it generalizes. So your next job is to evaluate it on data it never saw during training.
Run Evaluation
The Trainer can score your validation set in one call and return the metrics you configured, like accuracy and loss.
print(trainer.evaluate())Pick the Right Metric
Accuracy can mislead on skewed data. For uneven classes, lean on F1 so both precision and recall count.
Compute Metrics Cleanly
The evaluate library wraps common scores, so you compute F1 or accuracy without writing the math by hand.
import evaluate
f1 = evaluate.load("f1")Hold Out a Test Set
Keep a separate test set you touch only once. It gives an honest final estimate, free of tuning bias.
Save the Model
Persist the fine-tuned weights to disk so you can reload them anytime without training again. This saves the model and tokenizer.
trainer.save_model("my-model")
tok.save_pretrained("my-model")Reload Anywhere
Loading is the mirror of saving: point from_pretrained at your folder and the full model comes back ready to predict.
m = AutoModelForSequenceClassification.from_pretrained("my-model")Wrap It in a Pipeline
Drop your saved model into a pipeline for instant, simple inference on fresh text without any manual tokenizing.
clf = pipeline("text-classification", model="my-model")Share on the Hub
One push uploads your model to the Hugging Face Hub, so teammates load it by name from anywhere.
trainer.push_to_hub()Version Your Work
The Hub tracks revisions like git, so each checkpoint stays reproducible and you can always roll back.
Document the Model
A model card records your data, metrics, and limits. It helps others trust and reuse what you built. 📋
Quick Check
Why keep a separate test set you evaluate only once?
Recap
Evaluate on unseen data with the right metric, save the model and tokenizer, then reload or push it to the Hub to share. ✅
Preguntas frecuentes
¿La lección «Evaluación y guardado de su modelo» es gratis?
Sí — el texto completo de «Evaluación y guardado de su modelo» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de NLP Academy, actualiza a CoddyKit PRO. El curso de NLP Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Evaluación y guardado de su modelo»?
Comprobar las métricas y publicarlo en el Hub Practicas NLP Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar NLP Academy?
No se requiere experiencia previa. NLP Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 4 de 4.
¿Cuánto tiempo toma la lección «Evaluación y guardado de su modelo»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de NLP Academy?
Sí. Cada lección de NLP Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Recorrido por la biblioteca Transformers
- Tokenización para modelos Transformer
- Fine-tuning con la API Trainer
- Evaluación y guardado de su modelo