Dynamische Kategoriezuordnung
Mit der dynamischen Kategorisierung kann ein Modell Texte in vordefinierte Kategorien einordnen, auch wenn es dafür vorher nicht trainiert wurde.
Verwende Hugging Face's „ pipeline() ” für die Aufgabe „ zero-shot-classification ” und gib den Text und die vordefinierten Kategorien an, um die beste Übereinstimmung zu finden.
Erstelle einen Klassifikator, um die Bezeichnung für die Eingabe „ text “ vorherzusagen, bei der es sich um eine bereits für dich geladene Schlagzeile handelt.
Die „ pipelines ” aus der Bibliothek „ transformers ” sind schon für dich vorbereitet.
Hinweis: Wir nutzen eine angepasste Version der Pipeline, damit du die Funktionen lernen kannst, ohne das Modell runterladen zu müssen.
Diese Übung ist Teil des Kurses
Arbeiten mit Hugging Face
Anleitung zur Übung
- Erstell die Pipeline und speicher sie als „
classifier“. - Mach dir eine Liste mit den Labels –
"politics","science","sports"– und speicher sie als „categories“. - Sag mal, wie die Beschriftung von „
text“ lauten könnte, indem du den Klassifikator und die vordefinierten Kategorien benutzt.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
text = "AI-powered robots assist in complex brain surgeries with precision."
# Create the pipeline
____ = pipeline(____="zero-shot-classification", ____="facebook/bart-large-mnli")
# Create the categories list
categories = ["politics", "____", "____"]
# Predict the output
output = ____(____, ____)
# Print the top label and its score
print(f"Top Label: {output['labels'][0]} with score: {output['scores'][0]}")