Auto modely a tokenizéry

Working with Hugging Face

Jacob H. Marquez

Lead Data Engineer

Pipeline: rychlé a jednoduché

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}]

Auto třídy: flexibilní a výkonné

Auto třídy: Flexibilní přístup k modelům a tokenizérům
Větší kontrola nad chováním modelu a výstupy
Vhodné pro pokročilé úlohy

Pipeline = rychlost; Auto třídy = flexibilita

Tři posuvníky s přepínači a ruka upravující jeden z nich. Znázornění větší kontroly.

AutoModely

Zvolte třídu AutoModel pro přímé stažení modelu

from transformers import AutoModelForSequenceClassification


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

AutoTokenizéry

Příprava vstupních textových dat
Doporučuje se použít tokenizér spárovaný s modelem

from transformers import AutoTokenizer


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

Tokenizace textu pomocí AutoTokenizer

Tokenizéry čistí vstup a rozdělují text na tokeny

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', ':', ')']

Různé modely, různé tokenizéry

Náš model (distilbert-base-uncased):

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

Tokenizér BERT-Base-Cased:

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

Sestavení pipeline pomocí Auto tříd

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)

Případy užití AutoModelů a AutoTokenizérů

🔧 Využití pro větší kontrolu a přizpůsobení
📝 Předzpracování textu: Čištění a tokenizace pro konkrétní případy
🏆 Prahování: Prioritizace klíčových kategorií při klasifikaci
🚀 Složité pracovní postupy: Řízení vícefázového zpracování a integrace

$$ Větší kontrola a přizpůsobení

Pojďme si procvičit!

Working with Hugging Face