LoslegenKostenlos loslegen

Autoklassen verwenden

Du hast gesehen, wie Tokenizer funktionieren und welche Rolle sie bei der Aufbereitung von Text für Modelle spielen. Jetzt gehen wir einen Schritt weiter und kombinieren AutoModels und AutoTokenizer mit der Funktion pipeline(). Das ermöglicht eine gute Mischung aus Kontrolle und Einfachheit.

Führe die Stimmungsanalyse fort und kombiniere die Autoklassen mit dem Pipeline-Modul.

AutoModelForSequenceClassification, AutoTokenizer und pipeline aus der transformers-Bibliothek wurden bereits für dich importiert.

Diese Übung ist Teil des Kurses

Arbeiten mit Hugging Face

Kurs anzeigen

Anleitung zur Übung

  • Lade das Modell und den Tokenizer herunter und speichere sie als my_model bzw. my_tokenizer.
  • Erstelle die Pipeline und speichere sie als my_pipeline.
  • Nimm mit my_pipelineeine Vorhersage für die Ausgabe vor und speichere sie 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']}")
Code bearbeiten und ausführen