南宁网站优化排名推广做设计到哪个网站赚钱
如果电脑配置不够可以参考文章《学AI-撸羊毛-免费GPU服务器-kaggle-每周30小时-可以进行数据训练，大模型微调》 申请免费服务器执行代码。
什么是Pipelines
- 将数据预处理、模型调用、结果后处理三部分组装成的流水线
- 使我们能够直接输入文本便获得最终的答案
Pipelines实现原理
Pipeline类的实现原理，是将多个模型串联起来，形成一个NLP任务的流水线。在流水线的不同位置，使用不同的模型完成不同的子任务。具体而言，Pipeline类将用户输入的文本进行预处理，然后使用预训练模型进行特征提取、模型训练和推理，最终得出任务的结果。Pipeline类支持的任务种类非常广泛，包括但不限于文本分类、命名实体识别、情感分析、问答系统等。
Pipelines 参数
| 参数名 | 类型 | 含义 | 说明 |
|---|---|---|---|
| task | str | 定义任务类型 常见任务类型: “text-classification”: 文本分类任务（如情感分析、主题分类）。 “ner”: 命名实体识别（Named Entity Recognition）。 “sentiment-analysis”: 情感分析。 “summarization”: 文本摘要。 “question-answering”: 问答任务。 “zero-shot-classification”: 零样本分类。 “translation”: 翻译任务。 “text-generation”: 文本生成。 “fill-mask”: 填空任务（如 Masked Language Model）。 其他任务类型根据模型的不同也有所不同。 | |
| model | PreTrainedModel | 要加载的预训练模型，通常是通过 AutoModelFor 类来加载。例如，AutoModelForSequenceClassification 用于文本分类任务。 | 你可以直接提供 model 参数，或从 from_pretrained() 方法加载模型。 |
| tokenizer | PreTrainedTokenizer | 与模型匹配的分词器，用于将文本转换为模型可以理解的输入格式（如 input_ids） | 可以通过 AutoTokenizer.from_pretrained 来加载对应模型的分词器。 |
| device | int 或 str | 设备 ID，用于选择计算设备。 -1 表示使用 CPU。 0 表示使用第一个 GPU。如果系统中有多个 GPU，可以指定为其他数值（如 1 为第二个 GPU，2 为第三个 GPU）。 “cuda” 或 “cpu” 也可以作为参数指定设备。 | 说明: 如果设备选择的是 GPU，需要确保系统已安装 CUDA 并配置正确。 |
| framework | str | 模型使用的框架类型。支持 pt（PyTorch）和 tf（TensorFlow）。 说明: 如果不指定，pipeline 会自动根据加载的模型推断框架类型。 | 如果不指定，pipeline 会自动根据加载的模型推断框架类型。 |
| batch_size | int | 批处理大小，表示一次处理多少样本。 | 默认情况下会根据硬件自动选择批量大小，设置 batch_size 可以帮助提高效率，尤其在有多个输入时。 |
如何快速使用Hugging Face上的模型
首先进去模型主页
左手边是模型的任务类型 ，可以选择类型然后找到对应的模型
进去模型页面
如下图，进去模型页面后按步骤点击：
可以看到使用transformers调用的代码：
实例
Text classification(文本分类)
Text classification(文本分类)与任何模态中的分类任务一样，文本分类将一个文本序列（可以是句子级别、段落或者整篇文章）标记为预定义的类别集合之一。文本分类有许多实际应用，其中包括：
情感分析：根据某种极性（如积极或消极）对文本进行标记，以在政治、金融和市场等领域支持决策制定。
内容分类：根据某个主题对文本进行标记，以帮助组织和过滤新闻和社交媒体信息流中的信息（天气、体育、金融等）。
from transformers import pipeline
text_classification = pipeline('sentiment-analysis', model="uer/roberta-base-finetuned-dianping-chinese")
text_classification("北京上个月召开了两会")
在这里插入图片描述
Token Classification（Token分类）
在任何NLP任务中，文本都经过预处理，将文本序列分成单个单词或子词。这些被称为tokens。
Token Classification（Token分类）将每个token分配一个来自预定义类别集的标签。
两种常见的 Token 分类是：
命名实体识别（NER）：根据实体类别（如组织、人员、位置或日期）对token进行标记。NER在生物医学设置中特别受欢迎，可以标记基因、蛋白质和药物名称。
词性标注（POS）：根据其词性（如名词、动词或形容词）对标记进行标记。POS对于帮助翻译系统了解两个相同的单词如何在语法上不同很有用（作为名词的银行与作为动词的银行）。
from transformers import pipelineclassifier = pipeline(task="ner")
preds = classifier("Hugging Face is a French company based in New York City.")
preds = [{"entity": pred["entity"],"score": round(pred["score"], 4),"index": pred["index"],"word": pred["word"],"start": pred["start"],"end": pred["end"],}for pred in preds
]
print(*preds, sep="\n")
合并实体：
classifier = pipeline(task="ner", grouped_entities=True)
classifier("Hugging Face is a French company based in New York City.")
Question Answering(问答)
Question Answering(问答)是另一个token-level的任务，返回一个问题的答案，有时带有上下文（开放领域），有时不带上下文（封闭领域）。每当我们向虚拟助手提出问题时，例如询问一家餐厅是否营业，就会发生这种情况。它还可以提供客户或技术支持，并帮助搜索引擎检索您要求的相关信息。
有两种常见的问答类型：
提取式：给定一个问题和一些上下文，模型必须从上下文中提取出一段文字作为答案,例如:QuestionAnsweringPipeline
生成式：给定一个问题和一些上下文，答案是根据上下文生成的；这种方法由Text2TextGenerationPipeline处理
from transformers import pipeline
question_answerer = pipeline (task = "question-answering")
preds = question_answerer(question="What is the capital of China?",context="On 1 October 1949, CCP Chairman Mao Zedong formally proclaimed the People's Republic of China in Tiananmen Square, Beijing.",
)
print(preds)
Summarization(文本摘要）
Summarization(文本摘要）从较长的文本中创建一个较短的版本，同时尽可能保留原始文档的大部分含义。摘要是一个序列到序列的任务；它输出比输入更短的文本序列。有许多长篇文档可以进行摘要，以帮助读者快速了解主要要点。法案、法律和财务文件、专利和科学论文等文档可以摘要，以节省读者的时间并作为阅读辅助工具。
与问答类似，摘要有两种类型：
提取式：从原始文本中识别和提取最重要的句子
生成式：从原始文本中生成目标摘要（可能包括输入文件中没有的新单词）；SummarizationPipeline使用生成式方法
from transformers import pipeline
summarizer = pipeline (task = "summarization",model = "t5-base",min_length = 8,max_length = 32,
)
summarizer("On your Kaggle journey, we mark certain milestones with tiers. Everyone starts as a “Novice,” but with these four actions, you can get better oriented with Kaggle and move up to the Contributor tier.")
Audio classification(音频分类)
Audio classification(音频分类)是一项将音频数据从预定义的类别集合中进行标记的任务。这是一个广泛的类别，具有许多具体的应用，其中一些包括：
声学场景分类：使用场景标签（“办公室”、“海滩”、“体育场”）对音频进行标记。
声学事件检测：使用声音事件标签（“汽车喇叭声”、“鲸鱼叫声”、“玻璃破碎声”）对音频进行标记。
标记：对包含多种声音的音频进行标记（鸟鸣、会议中的说话人识别）。
音乐分类：使用流派标签（“金属”、“嘻哈”、“乡村”）对音乐进行标记。
情感识别（ER）为每个话语预测一个情感类别。我们采用了最广泛使用的ER数据集IEMOCAP，并遵循传统的评估协议：我们删除不平衡的情感类别，只保留最后四个具有相似数量数据点的类别，并在标准分割的五折交叉验证上进行评估。评估指标是准确率（ACC）。
在使用前要确保 已经安装了音频数据处理包：ffmpeg
$apt update & apt upgrade
$apt install -y ffmpeg
$pip install ffmpeg ffmpeg-python
from transformers import pipelineclassifier = pipeline(task="audio-classification", model="superb/hubert-base-superb-er")
preds = classifier("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/1.flac")
preds
Automatic speech recognition（ASR 自动语音识别）
Automatic speech recognition（自动语音识别）将语音转录为文本。这是最常见的音频任务之一，部分原因是因为语音是人类交流的自然形式。如今，ASR系统嵌入在智能技术产品中，如扬声器、电话和汽车。我们可以要求虚拟助手播放音乐、设置提醒和告诉我们天气。
from transformers import pipeline
transcriber = pipeline( task = "automatic-speech-recognition", model = "openai/whisper-small")
preds = transcriber("https://huggingface.co/datasets/Narsil/asr_dummy/resolve/main/1.flac")
preds
Image Classificaiton(图像分类)
Image Classificaiton(图像分类)将整个图像从预定义的类别集合中进行标记。像大多数分类任务一样，图像分类有许多实际用例，其中一些包括：
- 医疗保健：标记医学图像以检测疾病或监测患者健康状况
- 环境：标记卫星图像以监测森林砍伐、提供野外管理信息或检测野火
- 农业：标记农作物图像以监测植物健康或用于土地使用监测的卫星图像
- 生态学：标记动物或植物物种的图像以监测野生动物种群或跟踪濒危物种
from transformers import pipeline
classifier = pipeline( task = "image-classification" )
preds = classifier ("https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/pipeline-cat-chonk.jpeg")
preds = [{"score": round(pred["score"],4) , "label": pred["label"]} for pred in preds ]
print(*preds, sep = "\n")
Object Detection(目标检测)
与图像分类不同，目标检测在图像中识别多个对象以及这些对象在图像中的位置（由边界框定义）。目标检测的一些示例应用包括：
自动驾驶车辆：检测日常交通对象，如其他车辆、行人和红绿灯
遥感：灾害监测、城市规划和天气预报
缺陷检测：检测建筑物中的裂缝或结构损坏，以及制造业产品缺陷
from transformers import pipeline
detector = pipeline (task = "object-detection")
preds = detector ("https://inews.gtimg.com/om_bt/ORUA2A1fXPkHl_u6JYOzHphTFd6OLaF4Kaofdc1Bc9DUAAA/1000")
print(*preds, sep = "\n")
