PyTorch Transformers| Azure

 

数据迁移

 

 PyTorch和 Transformers 是不同层面的工具，核心区别如下：

- PyTorch：是一个深度学习框架，类似“建造房子的工具箱”，提供张量计算、神经网络搭建、模型训练等基础功能，是实现AI模型的底层工具

- Transformers：是一个预训练模型库（由Hugging Face开发），类似“已经造好的房屋模块”，基于PyTorch/TensorFlow等框架，封装了BERT、GPT等主流预训练模型，能直接用于文本生成、翻译等任务，无需从零造模型。

• 用PyTorch可以“从零造模型”
• 而用Transformers能“直接用现成的高级模型”
• 且后者依赖前者（或其他框架）才能运行。

 用一个具体场景（比如文本分类）演示两者的实际用法差异吗？这样能更直观理解它们的配合关系

以“文本分类”（比如判断一句话是正面还是负面评价）为例，通过代码核心逻辑对比两者用法，不涉及复杂细节：

 

1. 用PyTorch实现（从零搭模型）

需手动定义网络结构、处理数据，步骤繁琐：

import torch

import torch.nn as nn

 

# 1. 手动定义简单神经网络（自己造“房屋框架”）

class SimpleNet(nn.Module):

    def __init__(self):

        super().__init__()

        self.fc1 = nn.Linear(512, 256) # 全连接层1

        self.fc2 = nn.Linear(256, 2) # 输出层（2类：正/负）

 

    def forward(self, x):

        x = torch.relu(self.fc1(x))

        return self.fc2(x)

 

# 2. 手动加载、处理数据（自己准备“建材”）

# （此处省略几百行：文本转向量、划分训练/测试集、构建数据加载器...）

 

# 3. 初始化模型、训练（自己动手“盖房子”）

model = SimpleNet()

optimizer = torch.optim.Adam(model.parameters())

# （再省略几百行：循环训练、计算损失、反向传播...）

 

 

2. 用Transformers实现（直接用现成模型）

无需定义网络，调用封装好的预训练模型，几行搞定核心逻辑：

from transformers import BertTokenizer, BertForSequenceClassification

 

# 1. 加载现成的预训练模型和分词器（直接拿“现成房屋模块”）

tokenizer = BertTokenizer.from_pretrained('bert-base-uncased') # 文本转模型能懂的格式

model = BertForSequenceClassification.from_pretrained('bert-base-uncased', num_labels=2) # 自带分类头

 

# 2. 处理数据（工具帮你做，无需手动写）

text = "这个产品超好用！"

inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True)

 

# 3. 直接推理（不用训练也能跑，或少量微调）

with torch.no_grad():

    outputs = model(**inputs)

    predictions = torch.argmax(outputs.logits, dim=1) # 直接得到分类结果（正/负）

 

核心差异很明显：

• PyTorch需要“从0到1造轮子”
• Transformers则是“直接用调好的轮子跑”