Auto Models y Tokenizers

Trabajar con Hugging Face

Jacob H. Marquez

Lead Data Engineer

Pipelines: rápidas y sencillas

from transformers import pipeline  

my_pipeline = pipeline(
    "text-classification",
    model="distilbert-base-uncased-finetuned-sst-2-english"))

print(my_pipeline("Wi-Fi is slower than a snail today!"))

[{'label': 'NEGATIVE', 'score': 0.99}]

Clases Auto: flexibles y potentes

Clases Auto: acceso flexible a modelos y tokenizers
Más control sobre el comportamiento y los resultados
Perfectas para tareas avanzadas

Pipelines = rápidas; Clases Auto = flexibles

Tres deslizadores con interruptores y una mano ajustando uno. Representa más control.

AutoModels

Elige una clase AutoModel para descargar directamente un modelo

from transformers import AutoModelForSequenceClassification


# Download a pre-trained text classification model
model = AutoModelForSequenceClassification.from_pretrained(
    "distilbert-base-uncased-finetuned-sst-2-english"
)

AutoTokenizers

Prepara datos de entrada de texto
Se recomienda usar el tokenizer emparejado con el modelo

from transformers import AutoTokenizer


# Retrieve the tokenizer paired with the model
tokenizer = AutoTokenizer.from_pretrained(
    "distilbert-base-uncased-finetuned-sst-2-english"
)

Tokenización de texto con AutoTokenizer

Los tokenizers limpian la entrada y dividen el texto en tokens

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


# Tokenize input text
tokens = tokenizer.tokenize("AI: Helping robots think and humans overthink:)")
print(tokens)

['ai', ':', 'helping', 'robots', 'think', 'and', 
 'humans', 'over', '##thi', '##nk', ':', ')']

Modelos distintos, tokenizers distintos

Nuestro modelo (distilbert-base-uncased):

['ai', ':', 'helping', 'robots', 'think', 'and', 'humans', 'over', '##thi',
'##nk', ':', ')']

BERT-Base-Cased Tokenizer:

['AI', ':', 'Help', '##ing', 'robots', 'think', 'and', 'humans', 'over',
'##thin', '##k', ':', ')']

Crear una pipeline con Clases Auto

from transformers import AutoModelForSequenceClassification,
AutoTokenizer, pipeline


# Download the model and tokenizer
my_model = AutoModelForSequenceClassification.from_pretrained(
  "distilbert-base-uncased-finetuned-sst-2-english")
my_tokenizer = AutoTokenizer.from_pretrained(
  "distilbert-base-uncased-finetuned-sst-2-english")


# Create the custom pipeline
my_pipeline = pipeline(
  task="sentiment-analysis", model=my_model, tokenizer=my_tokenizer)

Casos de uso de AutoModels y AutoTokenizers

🔧 Úsalas para más control y personalización
📝 Preprocesado de texto: limpia y tokeniza para casos concretos
🏆 Umbrales: prioriza categorías clave en clasificación
🚀 Flujos complejos: controla el procesado por etapas e integración

$$ Más control y personalización

¡Vamos a practicar!

Trabajar con Hugging Face