Začněte nyníZačněte zdarma

Použití AutoClasses

Viděl/a jsi, jak fungují tokenizéry, a prozkoumal/a jsi jejich roli při přípravě textu pro modely. Teď to posuneme o krok dál – zkombinujeme AutoModels a AutoTokenizers s funkcí pipeline(). Je to příjemná rovnováha mezi kontrolou a pohodlím.

Pokračuj s úlohou analýzy sentimentu a spoj AutoClasses s modulem pipeline.

AutoModelForSequenceClassification, AutoTokenizer a pipeline z knihovny transformers už jsou za tebe naimportované.

Toto cvičení je součástí kurzu

Working with Hugging Face

Zobrazit kurz

Pokyny k cvičení

  • Stáhni model a tokenizér a ulož je jako my_model, respektive my_tokenizer.
  • Vytvoř pipeline a ulož ho jako my_pipeline.
  • Předpověz výstup pomocí my_pipeline a ulož ho jako output.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

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

# Create the pipeline
my_pipeline = pipeline(task="sentiment-analysis", ____=____, ____=____)

# Predict the sentiment
output = ____("This course is pretty good, I guess.")
print(f"Sentiment using AutoClasses: {output[0]['label']}")
Upravit a spustit kód