EmpezarEmpieza gratis

Uso de AutoClasses

Ya has visto cómo funcionan los tokenizadores y cuál es su papel al preparar texto para los modelos. Ahora, vamos un paso más allá combinando AutoModels y AutoTokenizers con la función pipeline(). Es un buen equilibrio entre control y comodidad.

Continúa con la tarea de análisis de sentimiento y combina las AutoClasses con el módulo de pipelines.

AutoModelForSequenceClassification, AutoTokenizer y pipeline de la librería transformers ya se han importado por ti.

Este ejercicio forma parte del curso

Trabajar con Hugging Face

Ver curso

Instrucciones del ejercicio

  • Descarga el modelo y el tokenizador y guárdalos como my_model y my_tokenizer, respectivamente.
  • Crea el pipeline y guárdalo como my_pipeline.
  • Predice el resultado usando my_pipeline y guárdalo como output.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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']}")
Editar y ejecutar código