1. Lernen
    2. /
  2. Kurse
    3. /
  3. Arbeiten mit Hugging Face
  • 1

    Erste Schritte mit Hugging Face

    Kostenlos

    Beginne deine Reise mit der Hugging Face Plattform, indem du verstehst, was Hugging Face ist und welche Anwendungsfälle es gibt. Dann erfährst du mehr über den Hugging Face Hub, die verfügbaren Modelle und Datensätze, die Suche nach ihnen, die Navigation durch das Modell oder den Datensatz, die Karten und den Download. Zum Schluss lernst du die wichtigsten Komponenten von Transformatoren und LLMs kennen.

  • 2

    Aufbau von Pipelines mit Hugging Face

    Es ist an der Zeit, in das Hugging Face Ökosystem einzutauchen! Du beginnst damit, die Grundlagen des Pipeline-Moduls und der Auto-Klassen aus der Transformatoren-Bibliothek zu lernen. Dann lernst du auf hohem Niveau, was natürliche Sprachverarbeitung und Tokenisierung ist. Schließlich wirst du das Pipeline-Modul für verschiedene textbasierte Aufgaben verwenden, darunter auch für die Textklassifizierung.

  • 3

    Aufbau von Pipelines für Bild und Audio

    In diesem Kapitel wendest du Pipeline-Methoden auf neue Aufgaben mit Bild- und Audiodaten an. Insbesondere lernst du, wie du diese Arten von Daten verarbeiten kannst, um dich auf Aufgaben wie Klassifizierung, Frage- und Antwortschreiben und automatische Spracherkennung vorzubereiten.

  • 4

    Feinabstimmung und Einbettungen

    Erkunde die verschiedenen Frameworks für Feinabstimmung, Texterstellung und Einbettung. Beginne mit den Grundlagen der Feinabstimmung eines vortrainierten Modells auf einem bestimmten Datensatz und einer bestimmten Aufgabe, um die Leistung zu verbessern. Verwende dann Auto-Klassen, um den Text aus Aufforderungen und Bildern zu erstellen. Zum Schluss erfährst du, wie du Einbettungen erstellen und verwenden kannst.

Initializing

Übung

Iteration über einen Datensatz

Du konntest die Funktionalität testen und die Leistung an einem Beispiel aus dem Datensatz nachvollziehen. Nun wollen wir die Modelle anhand der ersten 100 Audiodateien bewerten, um eine endgültige Entscheidung darüber zu treffen, welches Modell für diesen Datensatz am besten geeignet ist.

Um dies effizient zu tun, kannst du eine Funktion erstellen, die über die Zeilen des Datensatzes iteriert und bei jeder Iteration einen Satz von Audio- und wahren Satzpaaren liefert.

Der Datensatz, english, ASR Modelle - meta_asr und open_asr - und pandas wurden alle für dich geladen.

Anweisungen 1/2

undefined XP
    1
    2
  • Erstelle die Funktion data(), um über die ersten 3 Zeilen des Datensatzes zu iterieren.
  • In data() sagst du den Text für jede Audiodatei mit den Pipelines meta_asr und open_asr voraus.
  • Füge die Ergebnisse als Wörterbuch an die Liste output an.