AutoClasses verwenden
Du hast gesehen, wie Tokenizer funktionieren, und ihre Rolle bei der Vorbereitung von Texten für Modelle kennengelernt. Jetzt gehen wir noch einen Schritt weiter und kombinieren AutoModels und AutoTokenizers mit der Funktion „ pipeline() “. Es ist eine gute Balance zwischen Kontrolle und Komfort.
Mach weiter mit der Sentimentanalyse und verbinde AutoClasses mit dem Pipeline-Modul.
AutoModelForSequenceClassification``AutoTokenizer und pipeline aus der Bibliothek „ transformers “ wurden schon für dich importiert.
Diese Übung ist Teil des Kurses
Arbeiten mit Hugging Face
Anleitung zur Übung
- Lade das Modell und den Tokenizer runter und speicher sie als „
my_model“ und „my_tokenizer“. - Erstell die Pipeline und speicher sie als „
my_pipeline“. - Sag mal, was die Ausgabe sein wird, mit „
my_pipeline“, und speicher das als „output“.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# 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']}")