Modele și tokenizatoare Auto

Lucrul cu Hugging Face

Jacob H. Marquez

Lead Data Engineer

Pipeline-uri: rapide și simple

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}]

Clase Auto: flexibile și puternice

Clase Auto: Acces flexibil la modele și tokenizatoare
Control sporit asupra comportamentului și rezultatelor modelelor
Ideale pentru sarcini avansate

Pipeline-uri = rapide; clase Auto = flexibile

Trei bare de reglaj cu cursoare și o mână care ajustează una dintre ele. Reprezintă control sporit.

AutoModels

Alegeți o clasă AutoModel pentru a descărca direct un model

from transformers import AutoModelForSequenceClassification


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

AutoTokenizers

Pregătiți datele de intrare text
Se recomandă utilizarea tokenizatorului asociat modelului

from transformers import AutoTokenizer


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

Tokenizarea textului cu AutoTokenizer

Tokenizatoarele curăță intrarea și împart textul în tokeni

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', ':', ')']

Modele diferite, tokenizatoare diferite

Modelul nostru (distilbert-base-uncased):

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

Tokenizatorul BERT-Base-Cased:

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

Construirea unui pipeline cu clase 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)

Cazuri de utilizare pentru AutoModels și AutoTokenizers

🔧 Utilizați pentru control și personalizare sporite
📝 Preprocesarea textului: Curățare și tokenizare pentru cazuri specifice
🏆 Praguri: Prioritizați categoriile cheie în sarcinile de clasificare
🚀 Fluxuri complexe: Controlați procesarea în mai multe etape și integrarea

$$ Control și personalizare sporite

Să exersăm!

Lucrul cu Hugging Face